A Clinical Decision-Making Framework for the Use of Video Gaming as a Therapeutic Modality
Notice bibliographique
Résumé
Virtual reality and video gaming offer modulation of more exercise and motor learning parameters simultaneously than other modalities; however, there is a demonstrated need for resources to facilitate their effective use clinically. This article presents a conceptual framework to guide clinical-decision making for the selection, adaptation, modulation, and progression of virtual reality or gaming when used as a therapeutic exercise modality, and two cases as exemplars. This framework was developed by adapting the steps of theory derivation, whereby concepts and parent theories are brought together to describe a new structure or phenomenon of interest. Specifically, motor learning theory, integrated motor control theory, Gentile's Taxonomy of Tasks, and therapeutic exercise principles were integrated to develop this framework. It incorporates person (body segment), environmental, and task demands; each demand is comprised of realm, category, choice, and continuum parameters as motor training considerations and alternatives for decision-making. This framework: (1) provides structure to guide clinical decisions for effective and safe use of virtual reality or gaming to meet therapeutic goals and requirements, (2) is a concise and organized method to identify, document, and track the therapeutic components of protocols and client progression over time; (3) can facilitate documentation for reimbursement and communication among clinicians; and, (4) structures student learning, and (5) informs research questions and methods.
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 | 0,062 | 0,035 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,002 |
| Bibliométrie | 0,006 | 0,002 |
| Études des sciences et des technologies | 0,006 | 0,022 |
| Communication savante | 0,011 | 0,009 |
| Science ouverte | 0,007 | 0,006 |
| Intégrité de la recherche | 0,006 | 0,008 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,005 | 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 ».