HEALTHCARE WORKERS’ PERSPECTIVES ON AI-ENABLED ROBOTS USE IN LONG-TERM CARE: A SCOPING REVIEW
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.
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 | 0,010 | 0,033 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,002 | 0,003 |
| Bibliométrie | 0,011 | 0,012 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,003 | 0,002 |
| Science ouverte | 0,001 | 0,002 |
| Intégrité de la recherche | 0,002 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 ».