FACILITATORS AND BARRIERS TO IMPLEMENTING A VIRTUAL REALITY PROGRAM IN LONG-TERM CARE
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Abstract To successfully implement virtual reality (VR) programs for long-term care (LTC) residents, it is essential to consider contextual factors. However, current research does not explore the LTC staff’s perspectives on implementing VR in their workplaces. This qualitative study aimed to fill this gap by exploring the facilitators and barriers to adopting VR in LTC, guided by the Consolidated Framework for Implementation Research (CFIR). We applied a Collaborative Action Research (CAR) approach, which involved three phases: (1) Reflect and Plan, (2) Act and Adapt, and (3) Evaluate. Ten focus groups were conducted with 20 staff in two Canadian long-term care homes. Thematic analysis was performed collectively with the team, including researchers, trainees, and patient and family partners. Our findings suggest that implementing a VR program in LTC requires readiness and capacity for implementation within the care home. Key factors that enabled implementation were staff champions, perceived benefits, and ease of use of the equipment. However, there were also barriers, such as limited resources, including Internet infrastructure, limited adaptability to meet local needs, and relative priority and staff workload. To overcome these barriers, our results indicate a need for organizational support for infrastructure and human resources. In addition, future research can evaluate the potential impact of facilitating residents’ VR sessions on staff’s job satisfaction and the involvement of residents’ families/caregivers as well as volunteers during the sessions to reduce staff hesitancy and workload.
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.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,003 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 découle