The benefits of and barriers to using a social robot PARO in care settings: a scoping review
Notice bibliographique
Résumé
BACKGROUND: Given the complexity of providing dementia care in hospitals, integrating technology into practice is a high challenge and an important opportunity. Although there are a growing demand 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, i.e., what worked, in which situations, and how. METHODS: Scientific databases and Google Scholar were searched to identify publications published since 2000. The inclusion criteria consisted of older people with dementia, care setting, and social robot PARO. RESULTS: A total of 29 papers were included in the review. Content analysis identified 3 key benefits of and 3 barriers to the use of PARO. Main benefits include: reducing negative emotion and behavioral symptoms, improving social engagement, and promoting positive mood and quality of care experience. Key barriers are: cost and workload, infection concerns, and stigma and ethical issues. This review reveals 3 research gaps: (a) the users' needs and experiences remain unexplored, (b) few studies investigate the process of how to use the robot effectively to meet clinical needs, and (c) theory should be used to guide implementation. CONCLUSIONS: Most interventions conducted have been primarily researcher-focused. Future research should pay more attention to the clinical needs of the patient population and develop strategies to overcome barriers to the adoption of PARO in order to maximize patient benefits.
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 | 0,012 | 0,049 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,004 | 0,004 |
| Bibliométrie | 0,010 | 0,009 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,005 | 0,003 |
| Science ouverte | 0,002 | 0,002 |
| Intégrité de la recherche | 0,003 | 0,002 |
| 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 ».