VIRTUAL REALITY AND HEALTH SCIENCE EDUCATION: A SCIENTIFIC MAPPING WITH IMPLICATIONS FOR PUBLIC HEALTH AND DIGITAL THERAPEUTICS
Notice bibliographique
Résumé
Virtual Reality (VR) is transforming health science education by enabling immersive, interactive learning environments. As global health challenges rise and digital tools proliferate, it is critical to map the evolution of VR’s application in health science education, particularly its effects on health outcomes. A bibliometric analysis was conducted using the Web of Science Core Collection from 2004–2024. We applied VOSviewer, CiteSpace, and Excel to analyze publication trends, research collaborations, thematic developments, and keyword co-occurrence. From 4,369 articles analyzed, VR-related health education publications have grown exponentially, especially after 2020. The United States, England, and Canada led in publication volume and collaboration. Keyword clustering identified five major themes: surgical simulation, immersive patient education, digital health promotion, AI-enhanced learning, and telemedicine training. Recent trends reflect a shift from technical skills training toward AI integration and personalized VR systems. VR improves learner engagement, enhances long-term health literacy, and supports behavioral change. Its integration with AI and remote delivery models facilitates scalable interventions, bridging healthcare and health science education in underserved regions. Future research should assess VR’s direct impact on clinical and public health outcomes, explore ethical and regulatory safeguards, and foster global equity in digital health science education. Keywords: virtual reality, health science education, educational technology, scientific mapping, systematic literature review
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 | 0,033 | 0,099 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,003 | 0,003 |
| Bibliométrie | 0,067 | 0,061 |
| Études des sciences et des technologies | 0,002 | 0,004 |
| Communication savante | 0,007 | 0,010 |
| Science ouverte | 0,001 | 0,005 |
| Intégrité de la recherche | 0,002 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 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 ».