Exploring different communication modes for intravenous infusion training using mixed reality: A healthcare e-learning case study with student directed learning
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
The COVID-19 pandemic presented challenges for healthcare students, necessitating the acquisition of clinical skills through online learning due to time constraints and limited access to medical supplies. In response to such major interruptions in the healthcare-related and other educational sectors, extended reality (XR) technologies have been swiftly emerging as a promising solution. Our case study here focuses on developing an augmented reality training platform in Unity, and compatible with Microsoft HoloLens. This platform often projects the virtual training components into the user’s surrounding real-world environment, reducing dependence on physical lab sessions and promoting Student Directed Learning (SDL). To illustrate the platform's effectiveness, we focused on teaching the assembly of an intravenous infusion (IV) pump. Four communication/mentoring modes (computer agent-text, agent-audio, human-text, and human-audio) have been enabled within the present XR-based SDL tool. A user study with 8 senior nursing students revealed that the agent-text mode (out of all four modes) was the most effective, considering trust, reliability, usefulness, satisfaction, and ease of use measures. • Developed an Extended Reality with different communication modes for IV infusion training. • Emphasized Student Directed Learning, fostering motivation and deeper engagement. • User study included trust, reliability, usefulness, satisfaction, and ease of use. • Computer agent instructor-text mode delivery was top-ranked communication option.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,001 |
| 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 découle