Promoting Therapists’ Use of Motor Learning Strategies within Virtual Reality-Based Stroke Rehabilitation
Notice bibliographique
Résumé
PURPOSE: Therapists use motor learning strategies (MLSs) to structure practice conditions within stroke rehabilitation. Virtual reality (VR)-based rehabilitation is an MLS-oriented stroke intervention, yet little support exists to assist therapists in integrating MLSs with VR system use. METHOD: A pre-post design evaluated a knowledge translation (KT) intervention incorporating interactive e-learning and practice, in which 11 therapists learned how to integrate MLSs within VR-based therapy. Self-report and observer-rated outcome measures evaluated therapists' confidence, clinical reasoning and behaviour with respect to MLS use. A focus group captured therapists' perspectives on MLS use during VR-based therapy provision. RESULTS: The intervention improved self-reported confidence about MLS use as measured by confidence ratings (p <0.001). Chart-Stimulated Recall indicated a moderate level of competency in therapists' clinical reasoning about MLSs following the intervention, with no changes following additional opportunities to use VR (p = .944). On the Motor Learning Strategy Rating Instrument, no behaviour change with respect to MLS use was noted (p = 0.092). Therapists favoured the strategy of transferring skills from VR to real-life tasks over employing a more comprehensive MLS approach. CONCLUSION: The KT intervention improved therapists' confidence but did not have an effect on clinical reasoning or behaviour with regard to MLS use during VR-based therapy.
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 | 0,003 | 0,009 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 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 ».