A Seal That Heals: Resident & Staff Perspectives on PARO in a Long-Term Care Home
Notice bibliographique
Résumé
Abstract In Canada, dementia is highly prevalent in long-term care (LTC), with estimates suggesting that nearly two-thirds of residents live with some form of cognitive impairment. Within LTC, residents often face social isolation, loneliness, and agitation, challenges compounded by limited staffing resources. Socially assistive robots, such as PARO, have been developed to reduce stress and promote well-being. Yet, most research has examined either LTC residents’ or staff’s perspectives in isolation, limiting understanding of its broader impact. Our study explored the experiences of both residents with dementia and staff when using PARO in an LTC setting. Over four weeks from February to March 2025, residents (n = 10) engaged with PARO during group session, while staff (n = 10) participated in reflective sessions informed by video excerpts of these interactions. Reflexive thematic analysis revealed three themes from residents’ and staff’s perspectives respectively. For residents, PARO brought delight, fostered emotional validation, and promoted social connections and shared experiences. Staff feedback corroborated those themes, adding that PARO was a potential resource in the care toolkit to support person-centered care, and that its unique features generated strong engagement, but also presented physical accessibility, feasibility, and sustainability challenges. Findings highlight that PARO can be a valuable tool to enhance dementia care when both resident and staff perspectives are considered. Sustainable adoption requires collaboration among staff, administrators, and researchers to address accessibility, integration, and long-term feasibility. This study contributes to a holistic understanding of PARO’s potential role in LTC and informs strategies for advancing socially assistive technologies in 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 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 | 0,007 | 0,010 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,012 | 0,008 |
| Communication savante | 0,003 | 0,003 |
| Science ouverte | 0,001 | 0,005 |
| Intégrité de la recherche | 0,001 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 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; 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 ».