IMPLEMENTING EPIC-VR IN HEALTH CARE: ALIGNING VIRTUAL REALITY TRAINING WITH ORGANIZATIONAL CONTEXT AND READINESS
Notice bibliographique
Résumé
Abstract Be EPIC-VR is a virtual reality (VR)-based person-centered communication training for frontline healthcare workers in dementia care. The current study investigated factors influencing the successful implementation of Be EPIC-VR in home care and long-term care, using the Consolidated Framework for Implementation Research. Participants included eight managers from four care settings. Managers were chosen for their decision-making roles in enabling their teams to take Be EPIC-VR. Semi-structured interviews were conducted before and after Be EPIC-VR’s implementation and analyzed using framework analysis. Two themes emerged: organizational context and organizational readiness. Organizational context had two subthemes: increased training needs and staffing resources. Managers identified dementia-specific training needs evolving from limited training during the COVID-19 pandemic. Staffing-related resources, such as scheduling and backfilling, were essential for implementation. This organizational context shaped the organizational readiness for Be EPIC-VR, which was evidenced by three subthemes: relative priority for Be EPIC-VR, relative advantage of Be EPIC-VR, and tailoring strategies for successful implementation. Managers prioritized Be EPIC-VR’s implementation because it aligned with organizational goals to support communication and address responsive behaviours. Managers reported on the relative advantage of Be EPIC-VR compared with existing training programs, emphasizing its interactive VR simulations, the ability to practice new skills in a safe environment, and personalized feedback. Tailored strategies affecting implementation included having sufficient resources to support remote delivery, piloting with small groups, and promoting an openness to VR technology. The findings underscore the value of aligning innovations with organizational goals and tailoring implementation plans to specific organizational contexts.
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 | 0,018 | 0,029 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,002 | 0,002 |
| Communication savante | 0,004 | 0,002 |
| Science ouverte | 0,001 | 0,004 |
| Intégrité de la recherche | 0,001 | 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 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 ».