The Effectiveness of Virtual Reality in Medical Education: A Meta-Analysis of Knowledge, Skills, and Motivation Outcomes
Notice bibliographique
Résumé
Virtual reality (VR) technology has emerged as a promising educational tool in medical training, offering immersive learning experiences that address traditional limitations in medical education. However, comprehensive evidence regarding VR's overall effectiveness across diverse medical education contexts remains fragmented. To systematically evaluate the effectiveness of virtual reality interventions compared to traditional educational methods in medical education through meta-analysis of randomized controlled trials and quasi-experimental studies. A systematic literature search was conducted across Google Scholar, PubMed, Scopus, and ERIC databases from January 2015 to December 2024. Studies involving medical students, residents, or healthcare professionals using VR-based educational interventions with traditional comparison groups were included. Primary outcomes included knowledge acquisition, skills development, and motivation measures. Standardized mean differences (Cohen's d) were calculated using fixed-effects models, with subgroup analyses by outcome type. Twenty-one studies encompassing 1,527 participants met the inclusion criteria. The overall meta-analysis revealed a moderate to significant positive effect favoring VR interventions (d = 0.510, 95% CI: 0.408 to 0.612, p < .001). Subgroup analysis demonstrated differential effectiveness: skills outcomes showed the most significant effect (d = 0.692, p < .001), knowledge outcomes showed moderate effects (d = 0.346, p < .001), while motivation outcomes showed no significant difference (d = 0.054, p = 0.685). Substantial heterogeneity was observed (I² = 87.06%). This meta-analysis provides robust evidence supporting VR's effectiveness in medical education, particularly for skills development and knowledge acquisition. The differential effects suggest VR's strength in enhancing practical competencies. However, substantial heterogeneity highlights the importance of implementation quality and contextual factors. These findings support the strategic integration of VR technology in medical curricula, especially for procedural training and clinical skills development.
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 | 0,020 | 0,039 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,015 | 0,048 |
| Bibliométrie | 0,006 | 0,005 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,003 | 0,002 |
| Science ouverte | 0,002 | 0,002 |
| Intégrité de la recherche | 0,002 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 ».