Revolutionizing medical education: Surgery takes the lead in virtual reality research
Notice bibliographique
Résumé
Objectives: Advancements in technology have spurred a transformative shift in medical education, with virtual reality (VR) emerging as a powerful tool for enhancing the learning experience. This study analyses the publications of VR in medical education, focusing on differences within different medical specialties. Design: Using specific search terms, all studies published on VR in medical education listed in the Web of Science databases were included. All identified publications were analysed in order to draw comparative conclusions regarding their qualitative and quantitative scientific merit. Results: Since the first publication in 1993 and until the year 2022, there have been 1534 publications on VR in medical education. Over the years, the annual publication rate has increased almost exponentially. The studies have in total been cited 42,655 times (average 27.64 citations/publication). The leading medical field was surgery (415 publications), followed by internal medicine (117 publications), neurology (77 publications) and radiology and nuclear medicine (75 publications). Internationally, the United States (560 publications), the United Kingdom (179 publications), Canada (156 publications), Germany (139 publications) and China (100 publications) are the leading countries in this field. 37.1 % of the publications reported having received funding. Among the 100 organizations with the highest number of grants, only 8 were private companies. Conclusion: During the last 30 years, there has been a consistent rise in publications, with a notable surge observed in 2016 and 2020. The majority of the studies centered on surgical concerns. However, only a small proportion received financial support, which was particularly evident for funding originating from the private sector.
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 | 0,043 | 0,010 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,010 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,003 | 0,003 |
| Science ouverte | 0,005 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 découleClassification
machine, non validéePrédiction automatique; les deux têtes enseignantes s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».