Virtual Reality for Pediatric Trauma Education - A Face and Content Validation Study
Notice bibliographique
Résumé
Purpose: Pediatric trauma is a leading cause of death and disability among children. While trauma education can improve these outcomes, it remains expensive and available only to a few providers worldwide. Innovative educational technologies like virtual reality (VR) can be key to democratizing trauma education. This study, therefore, evaluates the face and content validity of a VR platform designed to enhance pediatric trauma skills. Specifically, we seek to determine whether the platform effectively presents an injured child and comprehensively covers the essential tasks to successfully treat them within a trauma team. Methods: Physicians were invited to test a VR platform simulating a child with blunt head and truncal trauma. After the simulation, they filled out surveys assessing the face and content validity of the scenario, including their opinions on the realism, interaction, ease of use, and the educational content of the platform. Additionally, they completed a cybersickness questionnaire. Demographic data were also collected, including age, gender, country of medical education, and previous experience with VR. A descriptive analysis was performed. Results: Eleven physicians graduated from eight different countries tested the VR platform. Most (87%) found it valuable, and 81% preferred using it over high-fidelity mannequins for training purposes. The platform received more favorable evaluations for non-technical skills training (median: 5, IQR: 5.0 to 5.0) than for technical skills (median: 4, IQR: 3.0 to 5.0). Regarding cybersickness, 73% of the participants reported experiencing any or minimal discomfort during the simulation, and none needed to stop the test due to discomfort. Conclusion: Our initial validation of a VR platform designed for pediatric trauma education was positive. Participants endorsed VR and its potential to enhance performance, particularly in non-technical skills. Encouraged by these results, we will proceed with feasibility and implementation studies, comparing VR to high-fidelity mannequins.
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 | 0,011 | 0,031 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 ».