MétaCan
Menu
Retour à la cohorte
Enregistrement W4362571131 · doi:10.1177/23337214231166208

Telepresence Robots in Long-Term Care Settings in British Columbia During the COVID-19 Pandemic: Analyzing the Experiences of Residents and Family Members

2023· article· en· W4362571131 sur OpenAlexafffundabout
Lillian Hung, Grace Hu, Joey Wong, Lily Haopu Ren, Nazia Ahmed, Ali Hussein, Erika Young, Annette Berndt, Jim Mann, Rekesh Corepal, Lily Wong

Notice bibliographique

RevueGerontology and Geriatric Medicine · 2023
Typearticle
Langueen
DomaineHealth Professions
ThématiqueGeriatric Care and Nursing Homes
Établissements canadiensAlzheimer Society of CanadaUniversity of British Columbia
Organismes subventionnairesVancouver Foundation
Mots-clésLong-term careAutonomyThematic analysisPandemicCoronavirus disease 2019 (COVID-19)PsychologyNursingGerontologySocial distanceNonprobability samplingPanoramaFocus groupMedicineSociologyQualitative researchComputer sciencePolitical scienceDiseaseEnvironmental healthInfectious disease (medical specialty)

Résumé

récupéré en direct d'OpenAlex

Telepresence robots are being increasingly used in long-term care (LTC) homes for virtual visits between families and residents. This study investigated the impacts and experiences of residents and their families using a telepresence robot (Double 3) for 4 to 12 months during the COVID-19 pandemic. A total of 51 participants were recruited through purposive sampling, including 9 residents, 15 family members, and 27 staff from 4 LTC homes in British Columbia, Canada. Conversational interviews were conducted with residents and family members. Focus groups and one-to-one interviews were held with frontline staff. Thematic analysis was performed, with five themes identified: (1) Stay connected, (2) Regain autonomy, (3) Relieve caregiver burden, (4) Environmental and technical issues, and (5) Scheduling concerns. In conclusion, telepresence robots helped maintain social connections between residents and families, despite the COVID-19 restrictions.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,001
score de la tête « metaresearch » (Gemma)0,001
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: Observationnel
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,180
Score d'incertitude au seuil0,896

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0010,001
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,001
Études des sciences et des technologies0,0010,001
Communication savante0,0000,000
Science ouverte0,0000,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

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.

Tête enseignante Opus0,048
Tête enseignante GPT0,389
Écart entre enseignants0,341 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeObservationnel
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations30
Publié2023
Routes d'admission3
Résumé présentoui

Explorer davantage

Même revueGerontology and Geriatric MedicineMême sujetGeriatric Care and Nursing HomesTravaux en français237 207