Immersive Virtual Learning Environments for Healthcare Education: State-of-Art and Open Problems
Notice bibliographique
Résumé
Immersive virtual learning environments (iVLEs), serious games and virtual simulations in particular, allow trainees to learn from virtual simulated experiences in an interactive, engaging, and ethically safe manner. Although the use of iVLEs in healthcare education was steadily growing over the last 10-15 years, their use was accelerated during the coronavirus disease 2019 (COVID-19) pandemic as they played a significant role in facilitating remote learning during the pandemic-related lock-downs. Within healthcare education, iVLEs are not so much technologies of the future but rather, of the present. Educators are finding innovative ways to leverage the coupling of iVLEs and emerging technologies such as extended reality (augmented, mixed, and virtual realities), and artificial intelligence (AI), to transform healthcare education. Despite the growing popularity and benefits of iVLEs, there are several issues/limitations in their current form including the following three that particularly limit their use. More specifically, iVLEs typically i) contain fixed/static scenarios leading to predictability, disengagement, and repetition in learning experiences, ii) emphasize cognitive skills in contrast to psychomotor skills given the difficulties and cost associated in simulating the sense of touch which is inherent in psychomotor-based tasks, and iii) are not inclusive and therefore, do not properly address user diversity and accessibility. With a focus on healthcare education, this article begins with an overview of iVLEs, followed by a discussion regarding these limitations and potential solutions to overcome these limitations.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| 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 | 0,000 |
| 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; 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 ».