Etude des facteurs influençant l'utilisation des robots de rééducation
Notice bibliographique
Résumé
Objectif : Malgré l’efficacité des robots de rééducation (RR) dans la littérature, ceux-ci sont encore peu utilisés sur le terrain. Le but de cette étude était d’analyser les perceptions des thérapeutes ayant utilisé un RR chez des patients cérébro-lésés. Méthodologie : Huit interviews semi-structurées ont été réalisées sur base d’un guide d’entretien inspiré du modèle UTAUT et reprenant 9 thèmes. Les interviews ont été enregistrées afin d’être retranscrites, résumées et enfin synthétisées transversalement. Résultats : Facilitateurs perçus: l’intensité, l’information, la facilité des réglages et paramètres, la complémentarité et l’influence hiérarchique, etc. Barrières perçues: les résultats non concluants, les bugs, la longue phase d’installation, l’environnement, la redondance des jeux et les effets secondaires, etc. Discussion : Un manque de communication entre praticiens et chercheurs a été observé à plusieurs niveaux : rapidité d’installation, charge de travail et perception des résultats. Pour une prochaine étude, interroger des thérapeutes qui ont utilisé le robot en dehors de l’étude et élargir l’échantillon à plusieurs RR semble intéressant. Conclusion : A ce jour, malgré les preuves d’efficacité des RR, les thérapeutes estiment qu’il existe encore de nombreuses barrières à leur utilisation. Ils s’accordent néanmoins pour dire que si des modifications (installation rapide, diminution des bugs, etc.) sont apportées, les RR feront partie intégrante de la thérapie.
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 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,002 |
| Méta-épidémiologie (sens large) | 0,002 | 0,001 |
| Bibliométrie | 0,002 | 0,003 |
| Études des sciences et des technologies | 0,005 | 0,003 |
| Communication savante | 0,003 | 0,003 |
| Science ouverte | 0,003 | 0,002 |
| Intégrité de la recherche | 0,002 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 0,001 |
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; les deux têtes enseignantes s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».