The perceptions of university students on technological and ethical risks of using robots in long-term care homes
Notice bibliographique
Résumé
Abstract Background The COVID-19 pandemic has disproportionately impacted LTC residents and exacerbated residents’ risks of social isolation and loneliness. The unmet emotional needs of residents in LTC have driven researchers and decision-makers to consider novel technologies to improve care and quality of life for residents. Ageist stereotypes have contributed to the underuse of technologies with the older population. Telepresence robots have been found easy-to-use and do not require older adults to learn how to operate the robot but is remotely controlled by family members. There is a need for exploring perceptions around the implementation of these technologies with older adults living in long-term care. Methods Between December 2021 and March 2022, our team conducted interviews with 15 multidisciplinary students. We employed a qualitative descriptive (QD) approach with semi-structured interview methods. Our study aimed to understand the perspectives of university students (under the age of 40) on using telepresence robots in LTC homes. Participants were given a link to a 2-minute video of how the robot works prior to the interview. Also, they were invited to spend 15 minutes remotely driving a telepresence robot prior to the interview. A diverse team of young researchers and older adults (patient and family partners) conducted reflexive thematic analysis together. Results Six themes were identified: (1)Robots as supplementary interaction, .(2) privacy, confidentiality, and physical harm, (3) increased mental well-being and opportunities for interactions. (4) intergenerational perspectives add values , (5) staffing capacity (6) environmental and cultural factors influence acceptance Conclusion We identified a generational difference in opinions and thoughts regarding risk and privacy of using telepresence robots in long-term care. Participants shared the importance of the voice of the resident and their own for creating more equitable decision-making and advocating for including this type of technology within long-term care. Our study would contribute to the future planning, implementation, and design of robotics in LTC.
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 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,004 |
| 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 ».