El Derecho Romano después de Europa: la historia jurídica para la formación del jurista y ciudadano europeo
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
<b><i>Objective:</i></b> The aim of this experiential review is to explore the state of the art of the literature regarding the evaluation tools available for assessment of patient motivation and satisfaction during technology-assisted rehabilitation (robot rehabilitation, virtual reality rehabilitation, and serious games rehabilitation). <b><i>Materials and Methods:</i></b> A systematic search of the peer-reviewed literature published from January 1990 to August 2019 was conducted. The protocol for this review was registered in PROSPERO and carried out in accordance with the PRISMA recommendations. <b><i>Results:</i></b> The search of PubMed, PsycINFO, Scopus, and Web of Science databases identified a total of 333 records. After adjusting for duplicates and other inclusion criteria, 69 studies were selected for inclusion in the review. We found that authors used a wide range of dedicated questionnaires and, in about 50% of studies, a few validated tools to assess motivation and satisfaction during technology-assisted rehabilitation. The instruments most used were the Intrinsic Motivation Inventory (IMI), Quebec User Evaluation of Satisfaction with Assistive Technology (QUEST 2.0), and the Usefulness, Satisfaction, and Ease of use (USE) scale. Motivation and satisfaction were generally portrayed as multidimensional concepts; overall, 29 domains were assessed by 9 different tools. <b><i>Conclusion:</i></b> The tools used in the current literature to assess patient motivation and satisfaction during technology-assisted rehabilitation are quite variegated, but we would recommend use of the IMI and USE questionnaires based on their widespread diffusion. However, the choice of domains explored and number of items calls for harmonization. Ideally, this should be a joint task for the whole scientific community.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,002 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle