Research Status and Emerging Trends in Virtual Reality Rehabilitation: Bibliometric and Knowledge Graph Study
Notice bibliographique
Résumé
BACKGROUND: Virtual reality (VR) technology has been widely used in rehabilitation training because of its immersive, interactive, and imaginative features. A comprehensive bibliometric review is required to help researchers focus on future directions based on the new definitions of VR technologies in rehabilitation, which reveal new situations and requirements. OBJECTIVE: Herein, we aimed to summarize effective research methods for and potential innovative approaches to VR rehabilitation by evaluating publications from various countries to encourage research on efficient strategies to improve VR rehabilitation. METHODS: The SCIE (Science Citation Index Expanded) database was searched on January 20, 2022, for publications related to the application of VR technology in rehabilitation research. We found 1617 papers, and we created a clustered network, using the 46,116 references cited in the papers. CiteSpace V (Drexel University) and VOSviewer (Leiden University) were used to identify countries, institutions, journals, keywords, cocited references, and research hot spots. RESULTS: A total of 63 countries and 1921 institutes have contributed publications. The United States of America has taken the leading position in this field; it has the highest number of publications; the highest h-index; and the largest collaborative network, which includes other countries. The reference clusters of SCIE papers were divided into the following nine categories: kinematics, neurorehabilitation, brain injury, exergames, aging, motor rehabilitation, mobility, cerebral palsy, and exercise intensity. The research frontiers were represented by the following keywords: video games (2017-2021), and young adults (2018-2021). CONCLUSIONS: Our study comprehensively assesses the current research state of VR rehabilitation and analyzes the current research hot spots and future trends in the field, with the aims of providing resources for more intensive investigation and encouraging more researchers to further develop VR rehabilitation.
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 | 0,012 | 0,073 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,003 | 0,003 |
| Bibliométrie | 0,228 | 0,319 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,008 | 0,007 |
| Science ouverte | 0,002 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 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 ».