THE IMPACT OF AND BARRIER TO USING THE SOCIAL ROBOT PARO IN CARE SETTINGS
Notice bibliographique
Résumé
Given the complexity of providing dementia care in hospitals, integrating technology into practice is a high challenge and an important opportunity. Although there are growing demands and interest in using social robots in a variety of care settings to support dementia care, little is known about the impacts of the robotics and their application in care settings - what worked, in where and how. Following the PRISMA protocol, this scoping review describes the reported impacts of and barriers to using the robot PARO in care settings. Scientific electronic databases and relevant websites were searched between June and August 2018 to identify peer-reviewed publications and grey literature (including reports and other online resources) published in last two decades. A total of 29 papers were included in the review. Content analysis identified three key impacts and three barriers involved in the use of PARO. Main impacts include: reducing behavioral symptoms, improving social engagement, and enhancing comfort and quality of care experience. Key barriers to the use of the robot are cost, infection concerns, and social stigma. We identified three research gaps: (a) patients’ experiences and needs remain unexplored, (b) few studies investigate the process of how to use the robot effectively to meet clinical needs and (c) research on applying theory to understand the robot-human interaction is absent. In the past, intervention studies have been primarily researcher-focused rather than patient-oriented. Future research should focus more on knowledge translation to support technology adoption and ensure benefits to meet the needs of older adults.
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 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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, 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 ».