Barriers, Facilitators and Interventions to Support Virtual Reality Implementation in Rehabilitation: A Scoping Review
Notice bibliographique
Résumé
Virtual reality and active video games (VR/AVGs) are promising rehabilitation tools because of their potential to facilitate abundant, motivating, and feedback-rich practice. However, clinical adoption remains low despite a growing evidence base and the recent development of clinically accessible and rehabilitation-specific VR/AVG systems. Given clinicians' eagerness for resources to support VR/AVG use, a critical need exists for knowledge translation (KT) interventions to facilitate VR/AVG integration into clinical practice. KT interventions have the potential to support adoption by targeting known barriers to, and facilitators of, change. This scoping review of the VR/AVG literature uses the Theoretical Domains Framework (TDF) to (1) structure an overview of known barriers and facilitators to clinical uptake of VR/AVGs for rehabilitation; (2) identify KT strategies to target these factors to facilitate adoption; and (3) report the results of these strategies. Barriers/facilitators and evaluated or proposed KT interventions spanned all but 1 and 2 TDF domains, respectively. Most frequently cited barriers/facilitators were found in the TDF domains of Knowledge, Skills, Beliefs About Capabilities, Beliefs About Consequences, Intentions, Goals, Environmental Context and Resources, and Social Influences. Few studies empirically evaluated KT interventions to support adoption; measured change in VR/AVG use did not accompany improvements in self-reported skills, attitudes, and knowledge. Recommendations to target frequently identified barriers include technology development to meet end-user needs more effectively, competency development for end-users, and facilitated VR/AVG implementation in clinical settings. Subsequent research can address knowledge gaps in both clinical and VR/AVG implementation research, including on KT intervention effectiveness and unexamined TDF domain barriers. LEVEL OF EVIDENCE: IV.
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 | 0,022 | 0,092 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,002 |
| Méta-épidémiologie (sens large) | 0,005 | 0,007 |
| Bibliométrie | 0,013 | 0,010 |
| Études des sciences et des technologies | 0,002 | 0,001 |
| Communication savante | 0,005 | 0,004 |
| Science ouverte | 0,003 | 0,003 |
| Intégrité de la recherche | 0,004 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 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 ».