Virtual Reality Technology in Nursing Professional Skills Training: Bibliometric Analysis
Notice bibliographique
Résumé
BACKGROUND: Nursing professional skills training has undergone significant transformation due to the exponential growth of computer and medical technology. The innovative use of virtual reality (VR) in nursing education has emerged as a cutting-edge technical support technique that has gained attention as a highly effective method for improving nurse training quality. OBJECTIVE: This study aims to review the current status of VR technology in nursing professional skills training, research hotspots, and emerging trends in the last 15 years. METHODS: The Web of Science Core Collection database was used to search for literature on VR technology in nursing professional skills training covering the period from 2006 to 2022. Biblioshiny (K-Synth Srl) was used to import and convert the records to Bibliometrix (K-Synth Srl) for analysis, and R (R Core Team) was used for descriptive bibliometric analysis. VOSviewer (Leiden University) was used to cluster co-occurring keywords, and Scimago Graphica (version 1.0.16; Scimago Lab) was used to generate a geographical visualization of published countries and regions. RESULTS: A total of 1073 papers were analyzed, indicating a surge in research on the application of VR in nursing professional skills training in recent years, as evidenced by a positive trend in annual publication of relevant literature. The majority of studies were from the United States (n=340) and Canada (n=107), and Margaret Verkuyl was the most prolific author, leading the way with 9 publications. Furthermore, "Computerized Virtual Patients in Health Professions Education: a Systematic Review and Meta-Analysis" was the most frequently cited reference. Keywords such as education, simulation, skills, students, and care were most commonly used by researchers. CONCLUSIONS: The bibliometric analysis provides a comprehensive overview of the use of VR in nursing professional skills training, indicating that VR-based training is an effective means of improving the skills and competencies of nursing students and professionals alike. The COVID-19 pandemic has reinforced the importance of developing VR-based distance education, despite challenges such as integrating virtual and real-world training and mitigating safety risks.
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
Étiquettes directes de modèles (non validées)
Étiquettes de catégorie et de devis d'étude par modèle, issues des rondes d'étiquetage. C'est une sortie machine, non validée, et le désaccord entre modèles est livré comme donnée. Aucun devis ici n'est encore validé contre MEDLINE.
| Bras | Catégories | Devis d'étude | Confiance |
|---|---|---|---|
| gemma | Bibliométrie Domaine: non disponible · Genre: Empirique Porte sur le système de recherche canadien: non · Porte sur un sujet canadien: non | Sans objet | low |
| gpt | Bibliométrie Domaine: non disponible · Genre: Empirique Porte sur le système de recherche canadien: non · Porte sur un sujet canadien: non | Autre devis | medium |
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 | 0,020 | 0,090 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,004 | 0,005 |
| Bibliométrie | 0,204 | 0,242 |
| Études des sciences et des technologies | 0,002 | 0,001 |
| Communication savante | 0,005 | 0,003 |
| Science ouverte | 0,001 | 0,003 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,005 | 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 validéeÉtiqueté directement par 2 modèles lisant le dossier complet.
Les modèles divergent sur des parties de cette classification; chaque voix est préservée dans la section en fin de page.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».