Therapists’ Perceptions of Social Media and Video Game Technologies in Upper Limb Rehabilitation
Notice bibliographique
Résumé
BACKGROUND: The application of technologies, such as video gaming and social media for rehabilitation, is garnering interest in the medical field. However, little research has examined clinicians' perspectives regarding technology adoption by their clients. OBJECTIVE: The objective of our study was to explore therapists' perceptions of how young people and adults with hemiplegia use gaming and social media technologies in daily life and in rehabilitation, and to identify barriers to using these technologies in rehabilitation. METHODS: We conducted two focus groups comprised of ten occupational therapists/physiotherapists who provide neurorehabilitation to individuals with hemiplegia secondary to stroke or cerebral palsy. Data was analyzed using inductive thematic analysis. The diffusion of innovations theory provided a framework to interpret emerging themes. RESULTS: Therapists were using technology in a limited capacity. They identified barriers to using social media and gaming technology with their clients, including a lack of age appropriateness, privacy issues with social media, limited transfer of training, and a lack of accessibility of current systems. Therapists also questioned their role in the context of technology-based interventions. The opportunity for social interaction was perceived as a major benefit of integrated gaming and social media. CONCLUSIONS: This study reveals the complexities associated with adopting new technologies in clinical practice, including the need to consider both client and clinician factors. Despite reporting several challenges with applying gaming and social media technology with clinical populations, therapists identified opportunities for increased social interactions and were willing to help shape the development of an upper limb training system that could more readily meet the needs of clients with hemiplegia. By considering the needs of both therapists and clients, technology developers may increase the likelihood that clinicians will adopt innovative technologies.
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.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,009 | 0,026 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,003 | 0,004 |
| Communication savante | 0,005 | 0,003 |
| Science ouverte | 0,001 | 0,003 |
| Intégrité de la recherche | 0,002 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,006 | 0,001 |
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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».