Investigating the effects of meditation technologies on nursing student stress and anxiety: Results of a pilot feasibility study
Notice bibliographique
Résumé
• Nursing students report experiencing high levels of stress and anxiety. • Technology-assisted meditation is a strategy to help reduce nursing student stress and anxiety. • Perceived stress and state anxiety decreased significantly for nursing students who used the MUSE EEG biofeedback headband for meditation practice. Nursing students report high levels of stress and anxiety. Meditation technologies may facilitate meditation and improve students' mental well-being. To assess feasibility and efficacy of two meditation technologies—Headspace mobile app and MUSE biofeedback headband—on nursing students' stress and anxiety. In this pilot study, 44 undergraduate nursing students were randomly assigned to either the Headspace or MUSE group, completing two 10-minute meditation sessions weekly for five weeks. Stress and anxiety were measured using the perceived stress scale (PSS), state-trait anxiety inventory (STAI), and social interaction anxiety scale (SIAS). Acceptability was measured using the technology acceptance model survey (TAMS). Both groups showed decreases in perceived stress and state anxiety, with significant reductions for MUSE participants ( p =.025; p =.005). Headspace was perceived as more accessible than MUSE ( p =.001). Findings suggest meditation technologies are feasible and acceptable for nursing students, with time and motivation as barriers. MUSE neuromeditation showed promising results in reducing perceived stress and anxiety. Study results support need for larger trials exploring the impact of meditation technologies on nursing students' well-being.
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 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| 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 | 0,000 | 0,001 |
| 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 ».