BE EPIC-VR: TRANSLATING AN IN-PERSON, PERSON-CENTERED COMMUNICATION TRAINING PROGRAM INTO VIRTUAL REALITY
Notice bibliographique
Résumé
Abstract Be EPIC is a dementia-specific, person-centered communication training program for frontline healthcare workers that uses simulations with trained actors, reflection, and feedback. Scaling Be EPIC is limited by resource and methodology demands of recruiting and training actors and consistency of delivery across sites. Virtual reality (VR) is a promising solution to the problem of scaling Be EPIC because it provides interactive, realistic, and consistent simulations. However, there is limited research on implementing VR to train frontline healthcare workers. Guided by the Consolidated Framework for Implementation Research, the current study used an effectiveness-implementation hybrid design to compare simulation experiences of Be EPIC-VR with Be EPIC-in person and real-world clinical encounters. The study also explored factors that can influence the future implementation of Be EPIC-VR in long-term care home settings during the pre-implementation period. Six frontline healthcare workers who completed the Be EPIC in-person version with trained actors also completed the same assessment simulation in VR, followed by an interview. Thematic analyses revealed two themes that contributed to the simulation’s realism: the immersive nature of the virtual environment and the accuracy of the avatar’s visual, verbal, and behavioral characteristics. Moreover, the factors influencing the successful implementation of VR simulations in long-term care home settings include sufficient technological infrastructure and workplace personnel who can assist with Be EPIC-VR implementation. The findings highlight the potential to scale Be EPIC using VR and provides insights into the iterative process involved in translating an in-person training into a VR training program.
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 | 0,007 | 0,017 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,002 | 0,001 |
| Science ouverte | 0,001 | 0,003 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,006 | 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 ».