Acceptance of Virtual Reality in Trainees Using a Technology Acceptance Model: Survey Study
Notice bibliographique
Résumé
Background: Virtual reality (VR) technologies have demonstrated therapeutic usefulness across a variety of health care settings. However, graduate medical education (GME) trainee perspectives on VR acceptability and usability are limited. The behavioral intentions of GME trainees with regard to VR as an anxiolytic tool have not been characterized through a theoretical framework of technology adoption. Objective: The primary aim of this study was to apply a hybrid Technology Acceptance Model (TAM) and a United Theory of Acceptance and Use of Technology (UTAUT) model to evaluate factors that predict the behavioral intentions of GME trainees to use VR for patient anxiolysis. The secondary aim was to assess the reliability of the TAM-UTAUT. Methods: Participants were surveyed in June 2023. GME trainees participated in a VR experience used to reduce perioperative anxiety. Participants then completed a survey evaluating demographics, perceptions, attitudes, environmental factors, and behavioral intentions that influence the adoption of new technologies. Results: In total, 202 of 1540 GME trainees participated. Only 198 participants were included in the final analysis (12.9% participation rate). Perceptions of usefulness, ease of use, and enjoyment; social influence; and facilitating conditions predicted intention to use VR. Age, past use, price willing to pay, and curiosity were less strong predictors of intention to use. All confirmatory factor analysis models demonstrated a good fit. All domain measurements demonstrated acceptable reliability. Conclusions: This TAM-UTAUT demonstrated validity and reliability for predicting the behavioral intentions of GME trainees to use VR as a therapeutic anxiolytic in clinical practice. Social influence and facilitating conditions are modifiable factors that present opportunities to advance VR adoption, such as fostering exposure to new technologies and offering relevant training and social encouragement. Future investigations should study the model's reliability within specialties in different geographic locations.
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 | 0,006 | 0,013 |
| 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 | 0,000 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 ».