IMPLEMENTING EPIC-VR IN HEALTH CARE: ALIGNING VIRTUAL REALITY TRAINING WITH ORGANIZATIONAL CONTEXT AND READINESS
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
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.
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 | 0,002 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| 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 découle