Exploring the needs of children and caregivers to inform design of an artificial intelligence-enhanced social robot in the pediatric emergency department
Notice bibliographique
Résumé
Background & Objective: Socially assistive robots (SARs) are a promising tool to manage children's pain and distress related to medical procedures, but current options lack autonomous adaptability. The aim of this study was to understand children's and caregivers' perceptions surrounding the use of an artificial intelligence (AI)-enhanced SAR to provide personalized procedural support to children during intravenous insertion (IVI) to inform the design of such a system following a user-centric approach. Methods: This study presents a descriptive qualitative needs assessment of children and caregivers. Data were collected via semi-structured individual interviews and focus groups. Participants were recruited from two Canadian pediatric emergency departments (EDs) between April 2021 and January 2022. Results: Eleven caregivers and 19 children completed 27 individual interviews and one focus group. Three main themes were identified: A. Experience in the clinical setting, B. Acceptance of and concerns surrounding SARs, and C. Features that support child engagement with SARs. Most participants expressed comfort with robot technology, however, concerns were raised about sharing personal information, photographing/videotaping, and the possibility of technical failure. Suggestions for feature enhancements included increasing movement to engage a child's attention and tailoring language to developmental age. To enhance the overall ED experience, participants also identified a role for the SAR in the waiting room. Conclusion: Artificial intelligence-enhanced SARs were perceived by children and caregivers as a promising tool for distraction during IVIs and to enhance the overall ED experience. Insights collected will be used to inform the design of an AI-enhanced SAR.
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 | 0,008 | 0,012 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,004 | 0,002 |
| Communication savante | 0,002 | 0,002 |
| Science ouverte | 0,001 | 0,003 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 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 ».