ACCEPTABILITY AND PRELIMINARY EFFICACY OF BE EPIC-VR TRAINING ON FRONTLINE HEALTH CARE WORKERS
Notice bibliographique
Résumé
Abstract Be EPIC-VR is a person-centered communication (PCC) training program designed for healthcare providers working in dementia care. It is the first virtual reality (VR) program to use conversational artificial intelligence to train users to communicate with avatars depicting persons living with dementia (PLWD). The current study examined the acceptability and preliminary efficacy of Be EPIC-VR training. Participants included eight personal support workers from four home care and long-term care settings. Focus groups were conducted both immediately after VR sessions and after completing the Be EPIC-VR training program. Data analyses used framework analysis. The theme, relevant training supporting learning, reflected the acceptability of Be EPIC-VR. Be EPIC-VR’s innovative design facilitated significant learning gains, highlighting the benefits of experiential design, accessibility of training components, relevance regardless of career level, and group feedback on learning outcomes. The theme supporting preliminary efficacy was applying newly learned knowledge and skills with PLWD. Four subthemes emerged that mapped onto Be EPIC-VR’s foci. First, participants used the cues from the environment when interacting with PLWD. Second, participants, including those with English as a second language, reported applying PCC strategies which helped in understanding PLWD’s needs and addressing care refusal. Third, they noted an increase in self-efficacy in dementia care, which strengthened relationships with PLWD. Finally, they reported incorporating the preferences of PLWD during care interactions. Be EPIC-VR training emerges as a promising tool for enhancing skills of personal support workers, suggesting that immersive, VR-based training programs can foster empathetic, knowledgeable, and person-centered care approaches.
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 | 0,010 | 0,030 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 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 ».