SafeHome: A Serious Game to Promote Safe Environments for Persons Living with Dementia
Notice bibliographique
Résumé
The dementia epidemic continues to affect families across Canada. The number of persons living with dementia (PLWD) is projected to reach 1.1 million over the next 20 years, placing further financial and resource constraints on the Canadian healthcare system. Caregiver education is vital in ensuring the quality of life and safety for PLWD and can increase the time they are able to live at home, which is correlated with positive outcomes for both PLWD and their caregivers, and a reduction in system costs. However, current educational support often requires individuals to travel to local, urban service care centers and educational content is often provided in English, which can exacerbate the difficulties faced by marginalized caregivers (e.g., immigrants and those living in rural settings) who are caring for PLWD. To address this issue, a team of researchers developed a serious game called "SafeHome" that teaches safety strategies by having players identify and rectify potential hazards in the home setting that may negatively impact on PLWD outcomes, such as falls. A usability study was conducted using an adapted, validated questionnaire and semi-structured focus groups to better understand users' experience and obtain suggestions for the SafeHome serious game improvement. Results indicated that 80% of the participants were satisfied with the activities provided through SafeHome. All participants (n = 13) made recommendations for improving the usability, functionality, and comprehensiveness of the educational content. This feedback will inform future iterations of SafeHome and add valuable contributions to the growing literature on innovative e-learning resources that support PLWD and their caregivers.
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 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».