Co-Designing a Virtual Reality Application to Enhance Reminiscence Therapy for Persons with Dementia
Notice bibliographique
Résumé
Abstract Reminiscence therapy for persons with dementia is often being conducted by employing analog media including pictures and videos organized and presented by a caregiver. However, such media lacks the immersive experience to support patient engagement and successful recollection of reminiscence events. Recently, Virtual Reality (VR) is gaining momentum as a potential technological tool to support dementia care due to its increased immersion, presence, and embodiment. Haptic artifacts can be used to enrich reminiscence therapy as part of the multi-sensory stimuli to increase immersion and patient engagement, as well as improving social connectedness and cognitive health. The purpose of this project is to explore the use of VR application to advance reminiscence therapy for persons with dementia. We have prototyped an immersive and non-immersive VR framework that allows caregivers to deliver reminiscence therapy for persons with dementia with varying stages in their disease progression. These reminiscence therapy sessions are built by employing a narrative storyboard and content management through a series of co-designing sessions with content experts at the Geriatric Dementia Unit in Ontario, Canada. A caregiver-led VR framework will be adopted to enable the caregiver to guide the persons with dementia to safely navigate through the interactive VR environment, while allowing the patients to engage with the interactive VR elements using a point-and-pinch gesture approach. We anticipate that the VR experiences hold the potential for improving the interactions between persons with dementia and caregivers, as well as enhancing the reminiscence experiences to promote the maximal therapeutic benefit of patient’s recovery.
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 | 0,001 | 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 | 0,000 | 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 ».