VIRTUAL REALITY AND HEALTH SCIENCE EDUCATION: A SCIENTIFIC MAPPING WITH IMPLICATIONS FOR PUBLIC HEALTH AND DIGITAL THERAPEUTICS
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
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.
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 | 0,004 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,002 | 0,003 |
| Études des sciences et des technologies | 0,002 | 0,002 |
| Communication savante | 0,001 | 0,001 |
| 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