SafeVRwards: Designing a complementary virtual reality module to the Safewards framework intended to relax and manage conflict in mental health wards
Notice bibliographique
Résumé
BACKGROUND: Aggression and negative activation in mental health inpatient units pose significant challenges for both patients and staff with severe physical and psychological ramifications. The Safewards model is an evidence-based conflict-containment framework including 10 strategies, such as 'Calm Down Methods'. As virtual reality (VR) scenarios have successfully enhanced anxiolytic and deactivating effects of therapeutic interventions, they are increasingly considered a means to enhance current models, like Safewards. OBJECTIVES: The present participatory design investigates the feasibility and user experience of integrating VR therapy as an add-on strategy to the Safewards model, gathering preliminary data and qualitative feedback from bedside staff in an adult inpatient mental health unit. METHODS: An exploratory within-subjects design combining qualitative observations, self-report questionnaires and semistructured interviews is employed with four nurse champions from the mental health unit at Michael Garron Hospital (Toronto, Canada). RESULTS: A chronological overview of the design process, adaptations and description of the user experience is reported. CONCLUSION: 'SafeVRwards' introduces VR as a promising conflic-containment strategy complementary to the Safewards model, which can be optimised for deployment through user-oriented refinements and enhanced customisation capacity driven by clinical staff input.
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 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 | 0,016 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 tête enseignante, 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 ».