Media-Induced and Psychological Factors That Foster Empathy Through Virtual Reality in Nursing Education: 2×2 Between-Subjects Experimental Study
Notice bibliographique
Résumé
Background: Virtual reality (VR) has emerged as a promising tool in medical education, particularly for fostering critical skills such as empathy. However, how VR, combined with perspective-taking, influences affective empathy in nursing education remains underexplored. Objective: This study investigates the influence of VR and perspective-taking on affective empathy in nursing education, focusing on 4 psychological factors: perceived self-location, narrative transportation, emotional engagement, and affective empathy. Methods: A 2×2 between-subjects design was used, involving 69 nursing undergraduates from two Midwest universities. The participants engaged with a narrative-focused video game, That Dragon, Cancer, in either VR or non-VR conditions and from the perspective of either parents or clinicians. Results: VR significantly enhanced perceived self-location (P=.01), while adopting a clinician's perspective amplified emotional engagement (P=.03). However, VR did not significantly influence narrative transportation (P=.35). An interaction effect was found between the platform and player's perspective on narrative transportation (P=.04). Several indirect effects of media elements on affective empathy were observed via other psychological factors, though the direct effect of VR on affective empathy was not significant (P=.84). Conclusions: These findings underscore the potential of VR in medical education, suggesting that perspective-taking should be carefully considered when designing immersive learning experiences. The study advocates for broader integration of VR technologies into medical curricula to enhance instruction quality and patient-centered care.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 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 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 ».