Investigating the Impact of a Virtual Reality Experience on Medical Student Empathy: Mixed Methods Study
Notice bibliographique
Résumé
Background: Physician empathy is important not only for improving patient satisfaction and health outcomes but also for increasing physician job satisfaction and protecting against burnout. However, amid concerns over declining empathy levels in medical education, there is a need for innovative teaching approaches that address the empathy gap, a critical element in patient-centered care. Objective: This study aimed to use a mixed-methods analysis to explore the effectiveness of a virtual reality (VR) intervention versus traditional lecture methods in enhancing empathy among medical students. Methods: Overall, 50 first- and second-year medical students were randomized to either a VR intervention, which simulated patient experiences, or a control group receiving traditional empathy lectures. Both groups watch 2 videos with reflections gathered after each video to capture students' experiential learning. Empathy was measured using the Jefferson Scale of Empathy-Student Version before and after the intervention. Results: Quantitative analysis revealed significant increases in empathy scores post intervention for both groups (lecture group: mean increase 4.71, SD 11.01; VR group: mean increase 5.6, SD 10.02; P<.001), indicating that both interventions enhanced empathy. The VR group exhibited a significant difference in qualitative empathy coding after the second video (U=165.5; P<.001) compared to the lecture group. Qualitative feedback from the VR group emphasized a more profound emotional and cognitive engagement with the patient perspective than the lecture group. Conclusions: This study supports the integration of VR into medical education as a complementary approach to traditional teaching methods for empathy training. VR immersion provides a valuable platform for students to develop a deeper, more nuanced understanding of empathy. These findings advocate for further exploration into VR's long-term impact on empathy in clinical practice.
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 | 0,012 | 0,014 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,002 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 ».