MétaCan
Menu
Retour à la cohorte
Enregistrement W7151858531 · doi:10.2196/79418

E-learning, Distance Education, and VR/AR in Orthopedic Training: European Cross-sectional Survey of Trainee Acceptance Guided by TAM and UTAUT Framework (Preprint)

2025· article· en· W7151858531 sur OpenAlexvenueno aff
Ádám Tibor Schlégl, Marko Ostojić, Ines Unterfrauner, Gianluca Ciolli, Panayiotis D. Megaloikonomos, Vasilios G. Igoumenou, Michele Mercurio, Thomas Stark, David Kordić, Martijn Dietvorst, Filipe Lima Santos, Viktória Nyakas, Luca Tóth, András Komócsi, Péter Maróti, András Matuz

Notice bibliographique

RevueJMIR Medical Education · 2025
Typearticle
Langueen
DomaineMedicine
ThématiqueSurgical Simulation and Training
Établissements canadiensnon disponible
Organismes subventionnairesnon disponible
Mots-clésOrthopedic surgeryMEDLINEUnified theory of acceptance and use of technologyData collection

Résumé

récupéré en direct d'OpenAlex

BACKGROUND: Digital technologies increasingly shape postgraduate medical education, yet orthopedic and trauma training face unique challenges because of the tactile, procedurally focused skills involved. Digital tools partially address these needs, but gaps remain, particularly across diverse European contexts. OBJECTIVE: Our primary aim was to quantitatively assess predictors of digital learning technology acceptance (e-learning, distance education, and virtual reality [VR] and augmented reality [AR]) among European orthopedic and trauma trainees, drawing on the technology acceptance model (TAM) and the unified theory of acceptance and use of technology (UTAUT) as conceptual guides. Specifically, we examined how perceived usefulness and perceived ease of use (TAM), alongside performance expectancy, effort expectancy, social influence, and facilitating conditions (UTAUT), related to trainees' acceptance of digital technologies. These constructs guided variable selection and grouping, attitudinal scale design, and interpretation of how individual and contextual factors shape acceptance of digital learning tools in orthopedic training. Secondary aims were to describe adoption and attitude patterns, identify attitudinal trainee profiles, and examine contextual associations (eg, workplace type and national gross domestic product [GDP]). METHODS: We distributed a multinational survey via European trainee federations and used validated scales to assess digital competence and attitudes and gathered demographic data (n=217 across 29 European countries). We administered the questionnaire in English; however, respondents who self-reported English proficiency below the intermediate level were excluded from the analyses to minimize potential comprehension-related bias. The survey assessed digital experience, self-reported digital competence, and attitudes toward e-learning, distance education, and VR/AR, and collected detailed demographic and workplace data. Expert review, cognitive pretesting, and pilot testing ensured validity and clarity. Analytical methods included Wilcoxon tests, ANOVA, clustering, multinomial logistic regression, and factor analysis to ensure the reliability and validity of attitudinal measures. RESULTS: e-Learning technologies were the most widely adopted, whereas VR/AR tools were less frequently used despite high average attitude ratings (mean 4.07, SD 0.88). Cluster analysis identified 3 distinctive groups-enthusiastic, supportive, and hesitant-that differed significantly in digital competence and acceptance profiles. Digital competence and national GDP emerged as significant predictors of group membership, consistent with TAM/UTAUT expectations that perceived capability and contextual facilitating conditions shape acceptance. Variation in attitudes was further associated with workplace type and regional resource disparities, underscoring the influence of contextual factors on technology adoption. CONCLUSIONS: European orthopedic trainees show broad support for digital innovations, preferring VR/AR despite low use. Preliminary evidence supports digital competence as a key mediator of acceptance, with GDP and workplace disparities predicting profiles (hesitant vs enthusiastic). Competence-first strategies and targeted resource equity (eg, low-GDP subsidies), together with policy adjustments, may address regional disparities. Future longitudinal and multimethod studies are needed to test causal pathways implied by TAM and UTAUT and to evaluate the generalizability of these findings across specialties and educational contexts.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,004
score de la tête « metaresearch » (Gemma)0,007
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: Observationnel
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,006
Score d'incertitude au seuil0,019

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0040,007
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,001
Bibliométrie0,0010,001
Études des sciences et des technologies0,0000,001
Communication savante0,0010,001
Science ouverte0,0000,001
Intégrité de la recherche0,0010,001
Charge utile insuffisante (le modèle a refusé de juger)0,0030,001

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.

Tête enseignante Opus0,026
Tête enseignante GPT0,389
Écart entre enseignants0,363 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeObservationnel
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations0
Publié2025
Routes d'admission1
Résumé présentnon

Explorer davantage

Même revueJMIR Medical EducationMême sujetSurgical Simulation and TrainingTravaux en français237 207