Technological risks and ethical implications of using robots in long-term care
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Introduction The pandemic provides a unique opportunity to examine new directions in innovative technological approaches in long-term care (LTC) homes. While robotics could enhance staff capacity to provide care, there are potential technology risks and ethical concerns involved in technology use among older people residing in communal aged care homes. This qualitative descriptive study explores the technological risks and ethical issues associated with the adoption of robots in the specific context of LTC homes. Methods The research team including patient and family partners employed purposive and snowballing methods to recruit 30 LTC participants: frontline interdisciplinary staff, operational leaders, residents and family members, and ethics experts in dementia care. Semi-structured interviews were conducted. Thematic analysis was performed to identify themes that capture empirical experiences and perspectives of a diverse group of LTC stakeholders about robotic use. Results Technological risks include safety, increased workload, privacy, cost and social justice, and human connection. The findings offer practical insights based on the LTC perspective to contribute to the robot ethics literature. We propose a list of pragmatic recommendations, focusing on six principles (ETHICS): Engagement of stakeholders, Technology benefit and risk assessment, Harm mitigation, Individual autonomy, Cultural safety and justice, Support of privacy. Conclusions There is both a growing interest as well as fear in using robotics in LTC. Practice leaders need to reflect on ethical considerations and engage relevant stakeholders in making technology decisions for everyday care.
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.
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 | 0,001 |
| 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 | 0,001 |
| 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 découle