HEALTHCARE WORKERS’ PERSPECTIVES ON AI-ENABLED ROBOTS USE IN LONG-TERM CARE: A SCOPING REVIEW
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 Artificial intelligence (AI) enabled robots are increasingly implemented in long-term care homes (LTC). However, the views of LTC staff on these robots remain largely unexplored. Our scoping review delves into the staff’s perceptions, outlining the advantages and challenges of using AI robots in LTC settings. Using the Joanna Briggs Institute’s methodology, we screened 86 articles from 2013 to 2023, with 35 fitting our criteria. Our analysis was informed by McCormack’s Person-centred Care Practice (PCP) Framework and the Consolidated Framework for Implementation Research (CFIR). We identified five key barriers: 1) the complexity of the robot, 2) potential job losses and increased workload, 3) concerns about safety and efficacy, 4) risk of depersonalized care, and 5) a lack of supportive regulations and resources in LTC facilities. To address these challenges, we recommend strategies: a) staff training, b) clarifying robot benefits to staff, c) demonstrating how robots can fulfill resident needs, d) implementing ethical guidelines, and e) aligning robot use with LTC policies while ensuring resource availability. In conclusion, partnership is required among healthcare workers, organizational leaders, robot developers, and researchers; they should not work in silos. More research is needed to explore how to facilitate effective partnerships.
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 | 0,002 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,002 | 0,000 |
| Bibliométrie | 0,003 | 0,009 |
| 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 | 0,001 | 0,002 |
| 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