Virtual reality adaptation of Be EPIC: pre-implementation studies of person-centered dementia care training
Notice bibliographique
Résumé
Abstract Background and Objectives Person-centered communication is critical in dementia care, yet personal support workers (PSWs) often lack sufficient training, which can reduce care quality. Be EPIC is an in-person training that teaches learners to build person-centered communication skills using actor-based simulations. A virtual reality (VR) version of Be EPIC was developed to expand access and consistency. Two pre-implementation studies explored factors influencing Be EPIC-VR’s implementation by assessing readiness for VR training among managers and realism and usability from PSWs’ perspectives. Research Design and Methods Study 1 used the Consolidated Framework for Implementation Research (CFIR) to assess readiness for VR training through semi-structured interviews with managers of PSWs (n = 9) in long-term and home care settings. Interviews focused on CFIR’s innovation, inner setting, and outer setting domains. Guided by Fox’s taxonomy of VR research, Study 2 involved PSWs (n = 7) who completed a Be EPIC-VR simulation and were interviewed about its realism, usability compared to live actors, and implementation factors related to CFIR’s innovation and inner setting domains. Results Study 1 identified 4 themes: external pressures for organizational sustainability, organizational culture supporting staff development, staffing and training logistics, and openness to VR for training. In Study 2, PSWs described VR simulations as immersive and realistic, though some reported limited mobility and headset incompatibility. While managers expressed concerns about the use of VR technology, PSWs noted that clear onboarding and facilitator guidance ensured accessibility. Both groups confirmed sufficient structural resources for implementation. Discussion and Implications Successful implementation of VR-based training in dementia care depends on aligning implementation readiness, organizational culture, and logistical resources. Early end-user engagement and an iterative approach enabled continual refinement of Be EPIC-VR based on managers’ openness to VR and PSWs’ user experiences. The findings position VR training as a promising method to improve dementia care.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,002 |
| 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 | 0,000 |
| 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 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 ».