Virtual Reality and Active Videogame-Based Practice, Learning Needs, and Preferences: A Cross-Canada Survey of Physical Therapists and Occupational Therapists
Notice bibliographique
Résumé
OBJECTIVE: Describe the clinical use of virtual reality (VR)/active videogaming (AVG) by physical therapists (PTs) and occupational therapists (OTs) in Canada, identify usage barriers and facilitators, evaluate factors that predict intention to use VR/AVGs, and determine therapists' learning needs. DESIGN: Cross-sectional survey. MATERIALS AND METHODS: Online survey of therapists in Canada who were members of 1 of 26 professional PT or OT colleges or associations using the Assessing Determinants Of Prospective Take-up of Virtual Reality (ADOPT-VR2) Instrument. RESULTS: We received 1071 (506 PTs, 562 OTs, 3 dual-trained) responses. Forty-six percent had clinical VR/AVG experience; only 12% reported current use, with the Wii being the most clinically accessible (41%) system. Therapists used VR/AVGs primarily in rehabilitation (32%) and hospital (29%) settings, preferentially targeting balance (39.3%) and physical activity (19.8%) outcomes. Stroke (25.8%), brain injury (15.3%), musculoskeletal (14.9%), and cerebral palsy (10.5%) populations were most frequently treated. Therapists with VR/AVG experience rated all ADOPT-VR2 constructs more highly than did those without experience (P < 0.001). Factors predictive of intention to use VR included the technology's perceived usefulness and therapist self-efficacy in VR/AVG use (P < 0.001). Highest-rated barriers to VR/AVG use were lack of funds, space, time, support staff, and appropriate clients, whereas facilitators included client motivation, therapist knowledge, and management support. Most (76%) respondents were interested in learning more. CONCLUSION: Understanding use, predictors of use, and learning needs is essential for developing knowledge translation initiatives to support clinical integration of VR/AVGs. Results of this first national survey will inform the creation of resources to support therapists in this field.
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 | 0,001 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 ».