Virtual Reality in Medical Education during the COVID-19 Pandemic; A Systematic Review
Notice bibliographique
Résumé
<title>Abstract</title> <bold>Introduction: </bold>With the outbreak of the COVID-19 disease and the virtualization of education, many challenges were created in the field of medical education. Many of these challenges were turned into opportunities with the help of new technologies such as virtual reality. The purpose of this research was to investigate the applications of virtual reality in medical education in the era of COVID-19. <bold>Methods: </bold>We aimed to investigate new technologies’ applications in medical education during the COVID-19 pandemic. Original English articles were browsed in online databases of PubMed, Embase, Scopus, and Web of Scienceas of November 24, 2022. Data of eligible publications were extracted following screening/ selection in two steps and applying inclusion/ exclusion criteria. This systematic review follows PRISMA checklist and Newcastle-Ottawa Scale (NOS) bias assessment tool. <bold>Results:</bold> Based on the included articles, Microsoft HoloLense2 and Meta Oculus devices were used extensively in medical training studies. In some of the studies, the results demonstrated that the use of these technologies resulted in high levels of engagement, was suitable for training purposes, and decreased the risk of medical learning practicums. Moreover, some studies observed improvement in training compared to traditional training systems. <bold>Conclusion:</bold> Extended reality use including Virtual Reality (VR), Mixed Reality (MR), and Augmented Reality (AR) concepts in teaching activities and practical procedures can improve the overall educational process, while also increasing engagement, motivation, and understanding of key concepts of participants, especially medical students.
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 | 0,029 | 0,167 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,003 | 0,001 |
| Bibliométrie | 0,001 | 0,005 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,003 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,004 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,007 |
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; les deux têtes enseignantes s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».