32、探索外科医生对虚拟现实头戴设备的接受度

探索外科医生对虚拟现实头戴设备的接受度

在医疗培训领域,虚拟现实头戴设备(VRH)如HTC Vive的应用逐渐受到关注。我们不禁思考,外科医生是否愿意使用VRH模拟进行培训?他们是否认为使用VRH模拟无需付出太多努力?VRH模拟作为培训体验的一部分是否真的有用?

1. 理论基础
1.1 技术接受与使用统一理论(UTAUT)

技术接受与使用统一理论(UTAUT)由Venkatesh等人提出。他们对八种技术接受模型进行了实证比较,基于这些模型的相似性,将影响新技术系统使用意图和实际使用的四个核心决定因素统一整合到UTAUT理论中。该理论旨在将所有已知影响用户采用的因素整合到一个模型中,为未来技术接受和采用的研究提供基础设施指导。

影响用户采用新信息技术的决定因素可分为两组:
- 关于系统的信念 :例如“感知有用性”(PU)和“感知易用性”(PEOU),代表用户对系统的信念。
- 社会因素 :与用户社会环境相关的“社会影响”(SI)。研究表明,当用户认为他们关心的人或对其行为有影响的人认为他们需要使用该系统时,他们更倾向于使用该系统。

UTAUT模型包含四个影响使用技术行为意图的关键构建:
1. 绩效期望(PE) :个人认为使用该系统将有助于其在工作绩效上获得提升的程度。
2. 努力期望(EE) :与使用系统相关的轻松程度。
3. 社会影响(SI) :个人认为重要他人认为他或她应该使用新系统的程度。
4. 促进条件(FC) :个人认为存在组织和技术基础设施来支持系统使用的程度。

实证研究发现,绩效期望(PE)是在强制和自愿环境下所有阶段中最强的预测因素,它涵盖了感知有用性、动机、工作适配性、优势和结果期望等概念。努力期望(EE)类似于感知易用性,社会影响(SI)在早期使用阶段对行为意图有显著影响,但相对较弱。促进条件(FC)对信息系统使用的启动没有显著直接影响,但对实际使用有显著直接影响。此外,性别、年龄、经验和使用的自愿性被认为是调节这四个预测因素对使用意图影响的变量。

1.2 UTAUT的优势

与仅能解释40%用户接受新技术情况的技术接受模型(TAM)相比,UTAUT模型能解释超过70%的使用行为差异。它将八种基础模型整合为一个统一的模型,并且包含了在当今环境中非常重要的社会影响因素。在社交媒体对我们日常生活影响巨大的今天,TAM作为一个在九十年代初社交媒体刚刚起步时创建的简单模型,难以解释如今广泛技术的接受决策,而UTAUT则是最新的、融合了其他理论的技术接受理论。

2. 研究假设

研究模型与UTAUT模型一致,研究的标准变量是外科医生对VRH模拟器用于培训的接受度,即外科医生在有机会时使用和接受VRH培训的意图。假设分为两类关系:
- 直接影响
- H1 :绩效期望(PE)越高,外科医生对VRH模拟器的接受度越高,即PE对使用VRH的行为意图有显著正向影响。
- H2 :努力期望(EE)越低,外科医生对VR模拟器的接受度越高,即EE对使用VRH的行为意图有显著正向影响。
- H3 :社会影响(SI)越大,外科医生对VR模拟器的接受度越高,即SI对使用VRH的行为意图有显著正向影响。
- H4 :促进条件(FC)对使用VRH的行为意图没有显著影响,即FC不会直接影响对VR的接受度。
- 间接影响
- H5 :绩效期望(PE)对行为意图的影响将受到年龄的调节。
- H6 :努力期望(EE)对行为意图的影响将受到年龄的调节。
- H7 :社会影响(SI)对行为意图的影响将受到年龄的调节。
- H8 :性别对外科医生对VRH的接受度没有调节作用。

3. 数据与方法

本研究使用了HTC Vive这款VRH设备。它于2016年4月发布,硬件包括两个用于跟踪用户运动的灯塔基站、两个用于用户交互的控制器和一个用于沉浸式体验的头戴设备。运行该体验需要一台性能强大的PC。Vive头戴设备提供高分辨率图像,用户可以用眼球而不是移动整个头部来环顾四周,并且可以在不摘下头戴设备的情况下在“现实世界”环境中移动。灯塔基站跟踪用户的动作,用户可以在房间内自由移动,控制器模拟用户的手与虚拟世界交互,并带有触觉反馈。

研究团队创建了一个由HTC Vive支持的应用程序,使外科医生能够进入一个虚拟手术室环境,进行全膝关节置换手术的培训。在这个虚拟环境中,学员可以执行整个手术过程,学习所有技术步骤,并获得直接反馈。

研究数据收集方法如下:
- 会议展示 :作者在两个大型科学会议上展示了VRH系统,吸引了许多外科医生自愿尝试。在他们体验约十分钟后,请求他们同意回答问卷。
- 课程与医院 :作者还参加了一个课程,并与布鲁塞尔圣让医院的骨科部门合作,同样在外科医生尝试VRH模拟器后发放问卷。

数据收集时间为2017年3月至6月,共有111名外科医生参与研究,其中4份问卷因数据无效被丢弃,最终样本为107名参与者。样本的人口统计特征如下表所示:
|变量|内容|数量|百分比|
|----|----|----|----|
|性别|男|102|95%|
| |女|5|5%|
|年龄|30 - 40岁|49|46%|
| |41 - 50岁|22|21%|
| |51 - 60岁|32|30%|
| |>60岁|4|4%|
|参与培训|是|79|74%|
| |否|22|21%|
|先前VR经验|有|31|29%|
| |无|76|71%|

使用结构化问卷收集外科医生的信息,所有UTAUT预测因素(绩效期望、努力期望、社会影响、促进条件和行为意图)均使用多项目5点李克特量表进行测量。

4. 分析与结果

采用偏最小二乘法(PLS)结合SmartPLS软件进行数据分析。结构方程模型(SEM)包括内部模型和外部模型,内部模型指定构建与行为意图和实际使用之间的关系,外部模型指定构建与测量指标之间的关系。PLS适用于SEM,尤其在小样本情况下表现良好。

大部分测量指标的载荷高于推荐的0.7,表明它们是可靠的,但EE3和SI2除外。EE3以反向方式测量,在导入SmartPLS之前进行了反转处理。所有构建的组合可靠性(CR)值均大于0.7,平均方差提取(AVE)值均超过0.5,表明模型具有较高的内部一致性可靠性和收敛效度。根据Fornell和Larcker的方法评估判别效度,当每个构建的AVE平方根大于构建之间的相关性时,判别效度存在。

内部模型路径系数显示,绩效期望(PE)对行为意图的影响最强(0.469),其次是社会影响(SI)(0.233),最后是努力期望(EE)(0.155)。促进条件(FC)对行为意图的影响最小(0.023),且其假设路径关系在统计上不显著,因此在最终计算中被排除。

通过自举法(1000次重采样)测量路径显著性,以5%的显著性水平进行双尾T检验,并控制年龄作为调节变量。结果表明,4个构建关系中有3个显著,模型解释了行为意图52%的方差(R² = 0.521),8个假设中有5个被接受:
- H1 :得到支持,绩效期望(PE)对行为意图有显著正向影响(t = 3.984,p = 0)。
- H2 :得到支持,努力期望(EE)对行为意图有显著正向影响(t = 1.997,p < 0.05)。
- H3 :得到支持,社会影响(SI)对行为意图有显著正向影响(t = 2.132,P < 0.05)。
- H4 :得到支持,促进条件(FC)对行为意图无显著影响(t = 0.256,p > 0.05)。
- H5和H6 :被拒绝,年龄对绩效期望(PE)和努力期望(EE)的调节作用不显著。
- H7 :被接受,年龄对社会影响(SI)有显著调节作用。
- H8 :由于性别分布偏斜未进行测试。

综上所述,绩效期望、努力期望和社会影响是外科医生接受VRH模拟器进行培训的重要预测因素,而促进条件对行为意图的直接影响不显著。年龄对社会影响有调节作用,但对绩效期望和努力期望的调节作用不明显。这一研究结果为医疗保健专业培训人员、医疗设备行业和医院评估VRH模拟器在其组织中的整合提供了有用的指导。

mermaid流程图如下:

graph LR
    A[理论基础] --> B[UTAUT理论]
    B --> C[绩效期望]
    B --> D[努力期望]
    B --> E[社会影响]
    B --> F[促进条件]
    A --> G[UTAUT优势]
    H[研究假设] --> I[直接影响]
    I --> J[H1 - 绩效期望影响接受度]
    I --> K[H2 - 努力期望影响接受度]
    I --> L[H3 - 社会影响影响接受度]
    I --> M[H4 - 促进条件不影响接受度]
    H --> N[间接影响]
    N --> O[H5 - 年龄调节绩效期望]
    N --> P[H6 - 年龄调节努力期望]
    N --> Q[H7 - 年龄调节社会影响]
    N --> R[H8 - 性别无调节作用]
    S[数据与方法] --> T[HTC Vive设备]
    S --> U[数据收集方式]
    V[分析与结果] --> W[PLS数据分析]
    V --> X[模型可靠性与效度]
    V --> Y[假设检验结果]

探索外科医生对虚拟现实头戴设备的接受度

5. 研究结果的深入分析

从上述研究结果可以进一步深入探讨各个因素对外科医生接受VRH模拟器培训的具体影响。

5.1 绩效期望(PE)的主导作用

绩效期望在预测外科医生使用VRH模拟器的行为意图方面表现出最强的影响力。这意味着当外科医生认为使用VRH模拟器能够显著提升他们在工作中的绩效,例如提高手术技能、增强对手术流程的理解等,他们更有可能接受并使用该模拟器进行培训。这一结果与UTAUT理论中绩效期望作为关键预测因素的观点一致。在实际应用中,医疗设备制造商和培训人员可以着重强调VRH模拟器在提升工作绩效方面的优势,如通过展示模拟手术的效果、提供相关的案例分析等方式,来提高外科医生对其绩效期望。

5.2 社会影响(SI)的重要性

社会影响对行为意图也有显著的正向影响。外科医生周围重要他人(如同事、管理层等)的看法和态度会影响他们对VRH模拟器的接受程度。在早期推广阶段,营造一个积极的社会氛围,鼓励同事之间分享使用经验、管理层支持新技术的培训等,都有助于提高外科医生对VRH模拟器的接受度。例如,可以组织外科医生之间的交流活动,让已经使用过VRH模拟器的医生分享他们的体验和收获,从而影响其他医生的决策。

5.3 努力期望(EE)的作用

努力期望虽然对行为意图的影响相对较弱,但仍然具有一定的显著性。这表明外科医生希望使用VRH模拟器时不需要付出过多的努力,如学习成本低、操作简单等。因此,在设计VRH模拟器和相关应用程序时,应注重提高其易用性,提供清晰的操作指南和培训资源,以降低外科医生的努力期望。

5.4 促进条件(FC)的影响

促进条件对行为意图没有直接的显著影响,这与研究假设一致。虽然组织和技术基础设施的支持对于实际使用VRH模拟器是必要的,但它并不是影响外科医生接受意愿的关键因素。这可能是因为外科医生在考虑是否接受VRH模拟器时,更关注其对自身工作绩效和培训效果的影响,而不是外部的支持条件。不过,医院和相关机构仍然应该提供必要的支持,以确保VRH模拟器能够顺利运行。

5.5 年龄的调节作用

年龄对社会影响有显著的调节作用,但对绩效期望和努力期望的调节作用不明显。这可能意味着年轻的外科医生更容易受到社会影响的驱动,而年长的外科医生可能更注重自身的判断和经验。在推广VRH模拟器时,可以根据不同年龄段的特点采取不同的策略。例如,对于年轻医生,可以通过社交媒体、学术会议等渠道加强宣传,利用社会影响来提高他们的接受度;对于年长医生,可以提供更多的实际案例和数据,以证明VRH模拟器的有效性。

6. 研究的局限性与未来研究方向

本研究虽然取得了一些有意义的结果,但也存在一定的局限性。

6.1 样本局限性

研究样本主要是男性外科医生,且年龄分布相对集中在30 - 60岁之间。这可能导致研究结果存在一定的偏差,无法完全代表所有外科医生的情况。未来的研究可以扩大样本范围,包括更多不同性别、年龄和专业背景的外科医生,以提高研究结果的普遍性。

6.2 技术发展的局限性

随着技术的不断发展,VRH模拟器的性能和功能也在不断提升。本研究使用的HTC Vive设备在当时是较为先进的,但可能已经不能代表最新的技术水平。未来的研究可以关注最新的VRH技术,评估其对外科医生接受度的影响。

6.3 研究方法的局限性

本研究主要采用问卷调查的方法收集数据,可能存在一定的主观性。未来的研究可以结合观察法、实验法等多种研究方法,以更全面地了解外科医生对VRH模拟器的接受情况。

基于以上局限性,未来的研究可以从以下几个方向展开:
- 多维度研究 :综合考虑更多的因素,如外科医生的心理因素、职业发展需求等,以更全面地解释外科医生对VRH模拟器的接受度。
- 长期跟踪研究 :进行长期的跟踪研究,观察外科医生在使用VRH模拟器一段时间后的行为变化和接受度的动态变化。
- 跨文化研究 :开展跨文化研究,比较不同国家和地区的外科医生对VRH模拟器的接受情况,了解文化因素对接受度的影响。

7. 总结与建议

综上所述,本研究通过实证分析探讨了外科医生对VRH模拟器用于培训的接受度,得出了以下主要结论:
- 绩效期望、社会影响和努力期望是影响外科医生接受VRH模拟器的重要因素,其中绩效期望的影响最为显著。
- 促进条件对行为意图没有直接的显著影响。
- 年龄对社会影响有显著的调节作用,但对绩效期望和努力期望的调节作用不明显。

基于以上结论,为了提高外科医生对VRH模拟器的接受度,提出以下建议:
|建议类别|具体建议内容|
|----|----|
|针对医疗设备制造商| - 强调VRH模拟器在提升工作绩效方面的优势,通过多种渠道进行宣传。
- 不断优化模拟器的性能和功能,提高其易用性。
- 与医疗行业合作,开展更多的实证研究,提供更多的科学依据。|
|针对医院和培训机构| - 营造积极的社会氛围,鼓励外科医生使用VRH模拟器进行培训。
- 提供必要的组织和技术支持,确保模拟器的正常运行。
- 根据不同年龄段的外科医生特点,制定个性化的培训方案。|
|针对外科医生自身| - 积极了解VRH模拟器的优势和应用前景,主动参与相关的培训活动。
- 与同事分享使用经验,促进新技术的推广和应用。|

mermaid流程图如下:

graph LR
    A[研究结果分析] --> B[绩效期望主导作用]
    A --> C[社会影响重要性]
    A --> D[努力期望作用]
    A --> E[促进条件影响]
    A --> F[年龄调节作用]
    G[研究局限性] --> H[样本局限性]
    G --> I[技术发展局限性]
    G --> J[研究方法局限性]
    K[未来研究方向] --> L[多维度研究]
    K --> M[长期跟踪研究]
    K --> N[跨文化研究]
    O[总结与建议] --> P[医疗设备制造商建议]
    O --> Q[医院和培训机构建议]
    O --> R[外科医生自身建议]

虚拟现实头戴设备在外科医生培训领域具有巨大的潜力。通过深入了解外科医生对VRH模拟器的接受度及其影响因素,我们可以更好地推广和应用这一新技术,为提高外科医生的培训质量和手术水平提供有力支持。

深度学习作为人工智能的关键分支,依托多层神经网络架构对高维数据进行模式识别与函数逼近,广泛应用于连续变量预测任务。在Python编程环境中,得益于TensorFlow、PyTorch等框架的成熟生态,研究者能够高效构建面向回归分析的神经网络模型。本资源库聚焦于通过循环神经网络及其优化变体解决时序预测问题,特别针对传统RNN在长程依赖建模中的梯度异常现象,引入具有门控机制的长短期记忆网络(LSTM)以增强序列建模能力。 实践案例涵盖从数据预处理到模型评估的全流程:首先对原始时序数据进行标准化处理与滑动窗口分割,随后构建包含嵌入层、双向LSTM层及全连接层的网络结构。在模型训练阶段,采用自适应矩估计优化器配合早停策略,通过损失函数曲线监测过拟合现象。性能评估不仅关注均方根误差等量化指标,还通过预测值与真实值的轨迹可视化进行定性分析。 资源包内部分为三个核心模块:其一是经过清洗的金融时序数据集,包含标准化后的股价波动记录;其二是模块化编程实现的模型构建、训练与验证流程;其三是基于Matplotlib实现的动态结果展示系统。所有代码均遵循面向对象设计原则,提供完整的类型注解与异常处理机制。 该实践项目揭示了深度神经网络在非线性回归任务中的优势:通过多层非线性变换,模型能够捕获数据中的高阶相互作用,而Dropout层与正则化技术的运用则保障了泛化能力。值得注意的是,当处理高频时序数据时,需特别注意序列平稳性检验与季节性分解等预处理步骤,这对预测精度具有决定性影响。 资源来源于网络分享,仅用于学习交流使用,请勿用于商业,如有侵权请联系我删除!
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符  | 博主筛选后可见
 
红包 添加红包
表情包 插入表情
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值