Mixed Reality in Undergraduate Nursing Education: A Systematic Review and Meta-Analysis of Benefits and Challenges
Notice bibliographique
Résumé
Background: Nursing Schools are incorporating Mixed Reality (MR) into student training to enable them to confront challenging or infrequently encountered scenarios in their practice and ensure their preparedness. This systematic review evaluates the benefits and challenges of implementing MR in nursing curricula. Materials and Methods: A search was conducted in PubMed, WOS, Scopus, Embase, and CINAHL for studies published between 2011 and 2023. The search strategy used was “(nurses OR nurse OR nursing) AND mixed reality AND simulation”. Inclusion criteria required that studies focus on undergraduate nursing students and be written in English or Spanish. Exclusion criteria included reviews, bibliometric studies, and articles that did not separately report undergraduate nursing student results. Quality was evaluated with the JBI Critical Appraisal Checklist for Qualitative Research and the Newcastle-Ottawa Scale. A meta-analysis was conducted on studies with control groups to compare MR’s effectiveness against traditional teaching methods. Results: Thirty-three studies met the inclusion criteria. MR was widely used to improve clinical judgment, patient safety, technical skill acquisition, and student confidence. The meta-analysis found that MR reduced anxiety (Cohen’s d = −0.73, p < 0.001). However, its impact on knowledge acquisition and skill development was inconsistent. There was no improvement over traditional methods (p = 0.466 and p = 0.840). Despite positive qualitative findings, methodological variability, small sample sizes, and publication bias contributed to mixed quantitative results. The main challenges were cybersickness, usability, high costs, and limited institutional access to MR technology. Conclusions: Although MR can help nursing education by decreasing students’ anxiety, its efficacy remains inconclusive. Future research should use larger, randomized controlled trials to validate MR’s role in nursing education.
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 | 0,032 | 0,093 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,016 | 0,025 |
| Bibliométrie | 0,011 | 0,011 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,005 | 0,004 |
| Science ouverte | 0,003 | 0,003 |
| Intégrité de la recherche | 0,002 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 ».