Virtual Simulation Tools for Communication Skills Training in Health Care Professionals: Literature Review
Notice bibliographique
Résumé
Background: Quality clinical care is supported by effective patient-centered communication. Health care professionals can improve their communication skills through simulation-based training, but our knowledge about virtual simulation and its effectiveness and use in training health professionals and students is still growing rapidly. Objective: The objective of this study was to review the current academic literature to identify and evaluate the virtual simulation tools used to train communication skills in health care students and professionals. Methods: This review was carried out in June 2023 by collecting data from the MEDLINE/PubMed and Web of Science electronic databases. Once applicable studies were identified, we recorded data related to type of technology used, learning objectives, degree of learning autonomy, outcomes, and other details. Results: We found 35 articles that had developed and/or applied a virtual environment for training communication skills aimed at patients, in which 24 different learning tools were identified. Most had been developed to independently train communication skills in English, either generally or in the specific context of medical history (anamnesis) interviews. Many of these tools used a virtual patient that looked like a person and had the ability to vocally respond. Almost half of the tools analyzed allowed the person being trained to respond orally using natural language. Of note, not all these studies described the technology they had used in detail. Conclusions: Many different learning tools with very heterogeneous characteristics are being used for the purposes of communication skills training. Continued research will still be required to develop virtual tools that include the most advanced features to achieve high-fidelity simulation training.
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 | 0,002 | 0,009 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,002 | 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 | 0,001 | 0,002 |
| 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 ».