Erforschung von Faktoren, die die Verhaltensabsicht von Medizinstudenten beeinflussen, ein 3D-Gastroskopiemodell zu verwenden, um zu lernen, wie man ein Gastroskop mit dem UTAUT-Modell bedient

Jun 22, 2023

BMC Medical Education Band 23, Artikelnummer: 554 (2023) Diesen Artikel zitieren

Details zu den Metriken

Der Einsatz von virtueller Realität (VR) in der Lehre von Magen-Darm-Operationen kann sicher und effektiv sein, die Vorteile können jedoch nur realisiert werden, wenn die Studierenden sie akzeptieren und nutzen. Diese Studie zielt darauf ab, die Faktoren zu identifizieren, die chinesische Doktoranden der klinischen Medizin bei ihrer Absicht beeinflussen, das 3D-gastroskopische Modell zu verwenden, das auf der Grundlage der VR-Technologie unter Verwendung des UTAUT-Modells (Unified Theory of Acceptance and Use of Technology) erstellt wurde. Auch demografische Faktoren der Studierenden werden berücksichtigt.

Alle Methoden wurden gemäß den einschlägigen Richtlinien durchgeführt. Die Daten wurden von Doktoranden der klinischen Medizin in China mithilfe einer geschichteten Stichprobe gesammelt. In dieser Studie wurden insgesamt 292 Fragebögen mit gültigen Antworten verwendet. Die Daten wurden mit der Software Amos 24.0 und SPSS 26.0 verarbeitet und die statistische Analysetechnik basierte auf Strukturgleichungsmodellierung (SEM).

Die Ergebnisse zeigten, dass im Gegensatz zum Mediator des Wohnortes und des Jahres des klinischen Lernens der Mediator des Geschlechts, der Universitätsart und des Hochschulabschlusses keinen Einfluss auf die Verhaltensabsicht hatte. Darüber hinaus wirken sich Leistungserwartung, Förderbedingungen und sozialer Einfluss direkt und indirekt auf die Verhaltensabsicht aus. Außerdem wurde die Bedeutung zwischen sozialem Einfluss und Leistungserwartung, sozialem Einfluss und Leistungserwartung überprüft.

Diese Studie zeigte, dass der vorgeschlagene Rahmen auf der Grundlage des UTAUT über Erklärungskraft verfügt, um die Faktoren zu identifizieren, die die Verhaltensabsicht der Schüler beeinflussen, das auf VR-Technologie erstellte 3D-gastroskopische Modell zu verwenden. Eine wichtige Variable der Aufwandserwartung im Rahmen des SEM wurde hingegen nicht zertifiziert, was darauf hindeutet, dass Universitäten und Lehrkräfte dieser Variablen besondere Aufmerksamkeit widmen sollten, bevor sie ein auf VR-Technologie basierendes 3D-Gastroskopiemodell im Unterricht anwenden. Es sind zusätzliche vorbereitende Arbeiten erforderlich, wie z. B. die Erläuterung des Grundwissens über die Betriebsschritte des VR-Modells und die Vermittlung eines angemessenen Verständnisses für die Zugänglichkeit der Schüler, was ihre Absichten, es zu verwenden, wahrscheinlich verbessern kann. Die von uns vorgeschlagenen positiven Auswirkungen des sozialen Einflusses auf die Leistungs- und Anstrengungserwartung wurden in dieser Studie ebenfalls bestätigt und gaben damit eine Richtung für zukünftige Forschung vor.

Peer-Review-Berichte

Die Gastroskopie ist ein wichtiges diagnostisches und therapeutisches Instrument zur Beurteilung und Behandlung von Magen-Darm-Erkrankungen [1, 2]. Bei der Gastroskopie wird ein dünner, flexibler Schlauch in den Magen eingeführt, sodass der Endoskopiker direkt auf die Magenläsionen blicken kann. Sie ist die Methode der Wahl zur Untersuchung von Magenläsionen und gehört zu den Techniken, die von Gastroenterologen beherrscht werden müssen [3].

Allerdings handelt es sich bei der Magenspiegelung um einen komplexen Eingriff, der vom Kliniker ein hohes Maß an medizinischem Fachwissen erfordert. Die traditionelle Art der medizinischen Ausbildung zur Anwendung der Gastroskopie erfordert, dass die Auszubildenden unter der Anleitung erfahrener Dozenten an der Diagnose und Behandlung von Patienten teilnehmen und dabei ihre Wissensreserven und operativen Fähigkeiten weiter aufbauen und verbessern. Für Dozenten ist es schwierig, den Unterricht der Auszubildenden zu berücksichtigen und gleichzeitig einen reibungslosen Ablauf sicherzustellen, was nicht nur die Qualität des klinischen Unterrichts beeinträchtigt, sondern auch das Risiko für die Patienten erhöht [4]. Für Auszubildende ist es schwierig, die Technik der Magenspiegelung zu beherrschen, was nicht nur ihr Selbstvertrauen zerstören, sondern auch Schmerzen für den Patienten verursachen kann [5], ganz zu schweigen von den möglichen medizinischen Risiken [6, 7].

Die Geschichte des Einsatzes von Simulationstechnologie zum Trainieren von Gastroskopieoperationen reicht bis in die 1860er Jahre zurück und stellt einen Übergang vom traditionellen „Hand-zu-Hand“-Endoskopietraining zum simulatorgestützten Unterricht dar [8]. Im Laufe der Zeit hat sich der Gastroskopie-Simulator dahingehend weiterentwickelt, dass er die Virtual-Reality-Technologie (VR) nutzt, um seine Wirksamkeit beim endoskopischen Training zu steigern [9].

Virtuelle Realität (VR) ist definiert als der Einsatz von Computermodellen und -simulationen, um einer Person die Interaktion mit einer künstlichen dreidimensionalen visuellen oder anderen sensorischen Umgebung zu ermöglichen [10]. Die Integration der VR-Technologie in die klinische Praxis hat die medizinische Ausbildung und das Experimentieren erheblich verbessert [10]. Die Anwendung von VR in der Lehre von gastroskopischen Operationen hat den Auszubildenden eine äußerst realistische Diagnose und eine gastroskopische Umgebung geboten, in der die Auszubildenden sicher und effektiv ein umfassendes Training durchführen und ihre Orientierungserkennung, Hand-Auge-Koordination und Operationsfähigkeit verbessern können [11]. Darüber hinaus bieten Virtual-Reality-Gastroskopie-Simulatoren mehrere Vorteile, wie z. B. die Reduzierung von Risiken und potenziellen medizinischen Streitigkeiten, die Bereitstellung einer hohen Wiederholbarkeit, die Erhöhung der Übungsmöglichkeiten, die Einsparung von Schulungszeit und -kosten, die Erstellung von Schulungsaufzeichnungen und die Entwicklung individueller Schulungspläne [12]. Darüber hinaus verfügen diese Simulatoren über objektive Bewertungsfunktionen, die eine Bewertung der Bedienerkompetenz ermöglichen [13]. Beispielsweise haben Qianru Wang et al. untersuchte die Exzellenz der VR-Animationstechnologie für Chirurgie, Forschung, Ausbildung und Ausbildung am Beispiel eines Gastroskopie-Simulationssystems [11]. In ähnlicher Weise haben Heather Lesch et al. fanden heraus, dass VR-Simulatoren wie das Toolkit for Illustration of Procedures in Surgery (TIPS) das Selbstvertrauen der Auszubildenden bei der Reproduktion der Schritte des Eingriffs stärken und als wertvolle Lernstrategie dienen können [14].

Derzeit ist der Einsatz des VR-Gastroskopie-Simulators in der klinischen Ausbildung international gut etabliert. Im Ausland ist die Endoskopie-Ausbildung erfolgreich vom traditionellen „praxisorientierten“ Unterricht zum VR-Simulator-unterstützten Unterricht übergegangen. Allerdings befindet sich in China der VR-Simulator-gestützte Unterricht für die Gastroskopie noch in den Kinderschuhen [8]. Da die Einführung einer Reihe neuer Technologien, Geräte und Software wie VR voraussichtlich neue Möglichkeiten für die klinische medizinische Praxis eröffnen wird, wird die Entwicklung VR-basierter Lehrsimulationstechnologie für Gastroskopie in China als zukünftiger Entwicklungstrend angesehen.

Vor der Entwicklung der Unified Theory of Acceptance and Use of Technology (UTAUT) gab es zahlreiche theoretische Modelle zur individuellen Akzeptanz von Informationstechnologie, doch vielen dieser Modelle mangelte es an umfassender Erklärungskraft, was es für Forscher schwierig machte, das am besten geeignete auszuwählen Modell basierend auf ihren spezifischen Anforderungen. Venkatesh et al. ging dieses Problem an, indem es damals acht weithin akzeptierte Modelle integrierte: Theory of Reasoned Action (TRA), Technology Acceptance Model (TAM), Motivational Model (MM), Theory of Planned Behavior (TPB), Integrated Theory of Planned Behavior und Integrated Technology Akzeptanzmodell (C-TAM), Modell der PC-Nutzung (MPCU), Innovationsdiffusionstheorie (IDF) und soziale kognitive Theorie (SCT). Diese Integration führte zur Schaffung der Unified Theory of Acceptance and Use of Technology (UTAUT) [15].

Das Modell besteht aus vier unabhängigen Variablen: Performance Expectancy (PE), Effort Expectancy (EE), Social Influence (SI) und Facilitating Condition (FC); Darüber hinaus umfasst das UTAUT-Modell vier moderierende Variablen: Geschlecht, Alter, Erfahrung und freiwillige Nutzung [15]. Unter Leistungserwartung versteht man den Grad der Erwartungen der Nutzer der neuen Technologie an die Technologie oder das System; Die Aufwandserwartung bezieht sich auf die Kosten in Bezug auf Zeit, Arbeitskraft und Intelligenz, die der Benutzer der neuen Technologie aufwenden muss, um sich mit der Technologie vertraut zu machen. Der soziale Einfluss bezieht sich auf den Grad der Rolle der Umgebung, einschließlich zwischenmenschlicher Beziehungen, des sozialen Umfelds usw., auf die Nutzer der neuen Technologie. Erleichternde Bedingungen beziehen sich auf die Wissensbasis der Benutzer über die neue Technologie und auf den Grad der Unterstützung seitens der relevanten Organisationen für Benutzer bei der Nutzung der Technologie [15].

Forscher haben das Modell durch zahlreiche empirische Studien getestet und festgestellt, dass UTAUT eine höhere Erklärungskraft hat als frühere Modelle [16]. Das UTAUT-Modell wurde seit seiner Einführung in zahlreichen Studien zur Nutzungsbereitschaft und zum Verhalten neuer Technologien angewendet. Beispielsweise haben Cilliers L et al. nutzten das UTAUT-Modell, um die Akzeptanz der Schüler bei der Nutzung von Mobiltelefonen zur Suche nach Gesundheitsinformationen zu untersuchen [17]; Dwivedi YK und Hoque R et al. nutzten es, um M-Health-Anwendungen zu untersuchen [18, 19]. Obwohl das UTAUT-Modell im Bereich der virtuellen Realität und Bildung verwendet wurde [20,21,22], gibt es keine relevanten Studien, die das UTAUT-Modell verwendet haben, um die Absicht zu untersuchen, das auf VR-Technologie erstellte 3D-gastroskopische Modell zu verwenden deutet darauf hin, dass es in diesem Bereich eine Forschungslücke gibt.

Das UTAUT wurde durch die Integration von vier Konstrukten (Leistungserwartung, Anstrengungserwartung, sozialer Einfluss und erleichternde Bedingungen) entwickelt, um eine wichtige Rolle als direkte Determinanten der Verhaltensabsicht und des Nutzungsverhaltens der Benutzer zu spielen [23]. Laut Venkatesh et al. [15], Leistungserwartung, Aufwandserwartung und sozialer Einfluss haben einen signifikanten Einfluss auf die Verhaltensabsicht der Nutzer. Konsequenterweise stellen wir in dieser Forschung die Hypothesen H3–H5 auf. Im Jahr 2012 stellten Venkatesh et al. [24] erweiterten das UTAUT-Modell, indem sie die Hypothese aufstellten und verifizierten, dass unterstützende Bedingungen auch einen signifikanten Einfluss auf die Verhaltensabsicht der Benutzer haben, was folglich die Grundlage der Hypothese H6 unserer Studie ist. Darüber hinaus haben mehrere Studien die positiven Auswirkungen von Leistungserwartung, Anstrengungserwartung, sozialem Einfluss und unterstützenden Bedingungen auf die Verhaltensabsicht im UTAUT-Modell gezeigt [25, 26]. Chien-wen Shen et al. untersuchten die Verhaltensabsicht, Virtual-Reality-Technologie beim Lernen zu nutzen, basierend auf dem UTAUT-Modell, und die Ergebnisse zeigten, dass alle vier Hauptfaktoren im UTAUT-Modell die Verhaltensabsicht, Virtual-Reality-Technologie beim Lernen zu nutzen, positiv beeinflussten [25]. Bei der Untersuchung der Faktoren, die die Implementierung von Online-Krankenhäusern und die Einführung von mHealth-Diensten beeinflussen, haben Wang et al. kamen zu dem Schluss, dass Leistungserwartungen, Aufwandserwartungen und Erleichterungsbedingungen einen positiven Einfluss auf die Bereitschaft der Patienten hatten, Online-Krankenhäuser zu nutzen [26].

Unter sozialem Einfluss versteht man das Ausmaß, in dem ein Individuum wahrnimmt, dass wichtige andere glauben, dass es das neue System nutzen sollte [15]. Wenn wichtige Bezugspersonen von Schülern wie Lehrern oder Klassenkameraden ihnen empfehlen, das auf VR-Technologie erstellte 3D-Gastroskopiemodell zu verwenden, werden sie wahrscheinlich über die Gründe für ihre Empfehlungen nachdenken – was sind die Vorteile dieser Technologie? Entweder ist die Technologie einfach zu bedienen oder sie verhilft ihnen zu Leistungssteigerungen im Studium. Daher haben wir außerhalb des standardmäßigen und erweiterten UTAUT-Modells den sozialen Einfluss als Ausgangsvariable herangezogen und angenommen, dass er einen signifikanten Einfluss auf die Leistungserwartung und die Aufwandserwartung haben würde, die H1 und H2 sind. Paula Philippi et al. Validierung und Anpassung des UTAUT an die digitale Gesundheit auf der Grundlage des UTAUT-Modells. In dieser Studie schlugen die Autoren die Hypothese einer Korrelation zwischen den Hauptfaktoren (Leistungserwartung, Aufwandserwartung, sozialer Einfluss und unterstützende Bedingungen) vor und testeten sie [27]. In der Studie zur Untersuchung der Faktoren, die die Absicht von College-Studenten beeinflussen, konsequent Online-Kursplattformen zu nutzen, haben Mengting Chen et al. kombinierten das ursprüngliche UTAUT-Modell, fügten neue Faktoren hinzu, um ein Rahmenmodell vorzuschlagen, und stellten die Hypothese auf, dass ein positiver Zusammenhang zwischen sozialem Einfluss und Leistungserwartungen besteht [28]. Angesichts der Tatsache, dass nur wenige frühere Studien den Zusammenhang zwischen sozialem Einfluss und Leistungserwartung oder Anstrengungserwartung untersucht und bestätigt haben, ist die in dieser Studie vorgeschlagene Hypothese innovativ. In der Zwischenzeit wird die Überprüfung der Hypothesen neue Richtungen für zukünftige Forschungen liefern und mehr Referenzwert für die praktische Anwendung des auf VR-Technologie erstellten 3D-gastroskopischen Modells liefern.

Venkatesh et al. [15] präsentierten vier manipulierte Variablen (Geschlecht, Alter, Erfahrung, Freiwilligkeit der Nutzung), die die Beziehung zwischen vier latenten Variablen und der Verhaltensabsicht moderierten. Die demografischen und soziologischen Merkmale in dieser Studie waren Geschlecht, Art der Universität, Jahrgangsstufe, Jahr der klinischen Ausbildung und Wohnort. In Anbetracht der Tatsache, dass die traditionellen Hochsimulationsgeräte sehr teuer sind und nicht in großem Umfang an medizinischen Fakultäten eingesetzt werden können [29], hatten viele der Befragten dieser Umfrage nicht die Erfahrung, VR-Technologie zum Erlernen zu nutzen Verhalten und die Auswirkung von Erfahrungen werden in dieser Studie nicht berücksichtigt. Daher wurden die moderierende Variable „Erfahrung“ sowie die latente Variable „Nutzungsverhalten“ aus dem Modell ausgeschlossen. Darüber hinaus sind nahezu alle Nutzer nicht gezwungen, das System zu nutzen, sodass die moderierende Variable „Freiwilligkeit“ aus dem Modell ausgeschlossen ist. Was die manipulierte Variable „Alter“ betrifft, wurde angesichts der Tatsache, dass die meisten Studierenden in der Studie im gleichen Altersbereich sind und keine großen Altersunterschiede aufweisen, ein anderes demografisches Merkmal „Jahr des klinischen Lernens“ als moderierende Variable ausgewählt. Der Ersatz von Stellgrößen ist ein weiterer wichtiger Innovationspunkt von uns. Für eine bestimmte Forschungsgruppe sind die manipulierten Variablen des Modells möglicherweise nicht vollständig anwendbar, und ein entsprechender Ersatz entsprechend der tatsächlichen Situation kann den Anpassungsgrad des Modells erhöhen, was einen Referenzwert für zukünftige Forschung bietet.

Wie oben erwähnt, haben wir folgende Hypothese aufgestellt:

H1: Sozialer Einfluss wirkt sich positiv auf die Leistungserwartung aus.

H2: Sozialer Einfluss wirkt sich positiv auf die Aufwandserwartung aus.

H3: Die Leistungserwartung wirkt sich positiv auf die Verhaltensabsicht aus.

H4: Sozialer Einfluss wirkt sich positiv auf die Verhaltensabsicht aus.

H5: Die Anstrengungserwartung wirkt sich positiv auf die Verhaltensabsicht aus.

H6: Der erleichternde Zustand wirkt sich positiv auf die Verhaltensabsicht aus.

In Abb. 1 sind sechs Hypothesen dargestellt.

Forschungsrahmen

In dieser Studie werden wir die vier Einflussfaktoren chinesischer Doktoranden der klinischen Medizin auf ihre Absicht untersuchen, ein 3D-gastroskopisches Modell zu verwenden, um die Bedienung eines Gastroskops auf der Grundlage von UTAUT zu erlernen. Darüber hinaus werden wir versuchen, zwei Hypothesen zum signifikanten positiven Einfluss sozialer Einflussnahme auf die Leistungserwartung und die Anstrengungserwartung zu überprüfen. Darüber hinaus analysieren wir den Einfluss demografischer Faktoren der Studierenden auf die Konstrukte des UTAUT-Modells. Diese Studie schließt eine Lücke in der Anwendung des UTAUT-Modells im Bereich der virtuellen Realität für die Magenspiegelung. Wir hoffen, durch diese Studie Anregungen für die Anwendung der VR-Technologie im 3D-Bereich zu geben und Lehrkräften zu helfen, Medizinstudenten dabei zu helfen, die VR-Gastroskopie-Technologie besser zu akzeptieren.

Mithilfe einer geschichteten Stichprobenmethode luden wir im Februar und März 2021 Master- und Doktoranden mit Schwerpunkt klinische Medizin an fünf Gesamtuniversitäten und fünf medizinischen Universitäten in China ein, über einen elektronischen Fragebogen an unserem Forschungsprojekt teilzunehmen. In Anbetracht der Rücklaufquote haben wir einen Anreizmechanismus einrichten. Probanden, die den Fragebogen ausfüllen, können als Belohnung einen roten Umschlag erhalten. Diese Studie wurde von der Ethikkommission des Forschungszentrums für Gesundheitskultur, der wichtigsten Forschungsbasis für Philosophie und Sozialwissenschaften in der Provinz Shaanxi, geprüft und genehmigt, da die Umfrage anonym war und wir erklären, dass alle gesammelten personenbezogenen Daten im Informierten streng vertraulich behandelt werden Einwilligungsformular (ICF) auf der ersten Seite des Fragebogens. Die Unterzeichnung des ICF war freiwillig. Wenn sich die Studierenden weigerten, das ICF zu unterzeichnen, wurde davon ausgegangen, dass sie sich von der Forschung zurückgezogen hatten. Insgesamt wurden 347 Studierende zur Teilnahme an der Umfrage eingeladen, mit einer Rücklaufquote von 99,14 % (344), von denen 52 Antworten ausgeschlossen wurden: 20 wurden aufgrund einer Antwortzeit von weniger als 5 Minuten ausgeschlossen, 14 wegen doppelter IP-Adressen und 18 für das Nichtbestehen der Logikprüfung. Für die weitere Analyse wurden insgesamt 292 Antworten herangezogen, sodass die Effektivitätsrate bei 84,15 % liegt.

Der Fragebogen besteht aus 2 Teilen. Der erste Teil enthält die grundlegenden Informationen der Teilnehmer, darunter Geschlecht, Name der Universität, Note, klinische Studienzeit und Heimatstadt. Der zweite Teil basiert auf dem UTAUT-Modell und verwendet eine 5-Punkte-Likert-Skala mit 5 Dimensionen und 19 Fragen (1 = stimme überhaupt nicht zu, 2 = stimme nicht zu, 3 = neutral, 4 = stimme zu und 5 = stimme voll und ganz zu). Die aus der Literatur adaptierte Zusammensetzung des Fragebogens ist in Tabelle 1 dargestellt.

Um die Validität des Fragebogens zu verbessern, haben wir aus der Studienpopulation eine Pilotstudie ausgewählt. Der grundlegende Zweck der Pilotstudie besteht darin, die Zuverlässigkeit des Fragebogens empirisch zu überprüfen, indem die Genauigkeit und Richtigkeit ganzer Messkonstrukte und -elemente untersucht wird. Für das jeweilige Konstrukt wurde die Zuverlässigkeit anhand von Cronbachs Alpha untersucht, dessen Schwelle auf 0,7 festgelegt wurde [39]. In der Pilotstudie haben wir 50 geeignete Fragebögen von Befragten an zwei Universitäten gesammelt. Die Cronbach-Alpha-Werte reichten von 0,829 für FC bis 0,933 für PE. Den Ergebnissen der Cronbach-Alpha-Werte zufolge lagen alle Variablen über 0,7. Die inhaltliche Gültigkeit des Fragebogens wurde anhand der Standpunkte von sechs Spezialisten bewertet, darunter klinische Medizin, öffentliche Gesundheit, medizinische Pädagogik, Psychologie, Verhaltensforschung und Statistik. Die Zuverlässigkeit und Benutzerfreundlichkeit des endgültigen Fragebogens wurde nachgewiesen.

Die Software IBM SPSS Statistics 25.0 (Netzwerkversion der Universität Peking, Adresse: 162.135.134.153) wurde verwendet, um eine Datenbank zur statistischen Beschreibung einzurichten und analytische Statistiken (Pearson-Korrelationskoeffizient und Rangsummentest) zur Analyse der Ergebnisse zu erstellen. Mit der Software Amos 21.0 wurden die konvergente Gültigkeit und die Diskriminanzvalidität des Messmodells durch konfirmatorische Faktorenanalyse (CFA) getestet und alle hypothetischen Pfade des SEM analysiert. PLS-SEM wurde auch verwendet, um die Diskriminanzvalidität des Messmodells zu testen. Zur Schätzung der Parameter wurde die Maximum-Likelihood-Robust-Methode verwendet. Die Signifikanz wurde auf P < 0,01 festgelegt. Die am häufigsten verwendeten Bewertungsstandards von SEM sind Chi-Quadrat/Freiheitsgrade (X2/df), Anpassungsgüteindex (GFI), Vergleichsanpassungsindex (CFI), mittlerer quadratischer Approximationsfehler (RMSEA) und Normalanpassung Index (NFI) und Tucker-Lewis-Index (TLI), angepasster Anpassungsgüteindex (AGFI), inkrementeller Anpassungsindex (IFI) [40]. Alle Methoden wurden gemäß den einschlägigen Richtlinien durchgeführt.

Die gesammelte Stichprobe umfasste 170 (58,2 %) Frauen und 122 (41,8 %) Männer, deren Verteilung nahe am Geschlechterverhältnis der gesamten Medizinstudentenpopulation an den China Medical Universities von 60,1 % Frauen gegenüber 39,9 % männlichen Studenten lag [38]. ]. Unter ihnen stammten 145 (49,7 %) der Studierenden von Gesamtuniversitäten und 147 (50,3 %) von medizinischen Universitäten, und die Verteilung entsprach in etwa dem Verhältnis der gesamten Gesamtuniversitäten mit medizinischen Fakultäten zu den medizinischen Universitäten in China von etwa 1 zu 1. Auch in dieser Stichprobe waren 225 (77,1 %) Masterstudenten und die restlichen 67 (22,9 %) Doktoranden. Darüber hinaus stammten weniger als die Hälfte der Studierenden (45,9 %) aus dem ländlichen China, was darauf hindeutet, dass ihre familiäre wirtschaftliche Situation im Vergleich zu Studierenden in städtischen Gebieten relativ schlecht ist [41]. Die Einzelheiten der demografischen Informationen der Befragten sind in Tabelle 2 aufgeführt.

Zunächst wurde die Varianz der gemeinsamen Methode mithilfe des Ein-Faktor-Tests von Harman getestet und das Ergebnis von 36,827 % lag unter dem Schwellenwert von 40 %, was darauf hindeutet, dass in der in dieser Studie verwendeten Skala keine ernsthafte Verzerrung der allgemeinen Methode vorliegt. Vor der Meldung des Strukturmodells sollte der Kollinearitätswert notiert werden, indem die Werte des Varianzinflationsfaktors (VIF) angegeben werden. In Tabelle 3 wird festgestellt, dass alle VIFs kleiner als 3 sind, was darauf hinweist, dass im Modell keine signifikanten Multikollinearitätsprobleme vorliegen.

Wir haben das Messmodell bewertet, indem wir die interne Zuverlässigkeit, die konvergente Validität (CV) und die Diskriminanzvalidität (DV) untersucht haben. Die interne Zuverlässigkeit wurde durch Überprüfung des Cronbach-Alpha und der zusammengesetzten Zuverlässigkeitswerte (CR) für jedes Konstrukt beurteilt. Der CV wurde durch Messung der durchschnittlichen extrahierten Varianz (AVE) bewertet. In Tabelle 3 finden Sie die Ergebnisse des Item-Loading-Bereichs, Cronbachs Alpha, AVE und CR.

In Tabelle 3 liegen die berechneten Konstruktbelastungen zwischen 0,67 und 0,88 und liegen alle über den empfohlenen Werten [39]. Die Konstruktzuverlässigkeit, die angibt, wie gut ein Konstrukt anhand seiner Elemente gemessen wird, wurde anhand von Cronbachs Alpha und der zusammengesetzten Zuverlässigkeit (CR) bewertet. Die Cronbach-Alpha-Werte lagen zwischen 0,82 für FC und 0,94 für PE und die CR-Werte lagen zwischen 0,833 für FC und 0,938 für PE. Bei beiden Messungen übertrafen alle Konstrukte den empfohlenen Grenzwert von 0,7 [42], was auf eine hohe interne Zuverlässigkeit schließen lässt. Wie in Tabelle 3 gezeigt, lagen die geschätzten latenten Konstruktfaktorladungen zwischen 0,67 und 0,88 und waren statistisch signifikant (p < 0,05). Der AVE lag zwischen 0,589 (SI) und 0,715 (PE) und überschritt für jedes Konstrukt den Schwellenwert von 0,5 [42], was auf eine hohe konvergente Validität schließen lässt.

Zur Beurteilung des DV wurde die Quadratwurzel des AVE jedes latenten Konstrukts mit seiner Korrelation zwischen den Konstrukten verglichen. Die Quadratwurzel des AVE eines Konstrukts sollte seine Korrelationen mit anderen Konstrukten übersteigen, um einen angemessenen DV zu erreichen [42, 43]. Darüber hinaus sollten die Diagonalwerte die Werte außerhalb der Diagonale in den entsprechenden Spalten und Zeilen überschreiten [44]. Tabelle 4 zeigt, dass für jedes Konstrukt die Quadratwurzel des AVE (fette, diagonal dargestellte Werte) höher war als die Korrelationen zwischen den Konstrukten, was auf ein zufriedenstellendes DV-Niveau hinweist.

SD, Standardabweichung; Fettgedruckte Werte auf der Diagonale sind die Quadratwurzel des AVE. Werte außerhalb der Diagonale stellen Korrelationen zwischen Konstrukten dar. SI, sozialer Einfluss; PE, Leistungserwartung; EE, Aufwandserwartung; FC, Erleichterungsbedingungen; BI, Verhaltensabsicht. *p < 0,05.

Wenn das Fornell-Larcker-Kriterium jedoch in Kombination mit Ergebnissen varianzbasierter Strukturgleichungsmodellierung wie der traditionellen partiellen Pfadmodellierung der kleinsten Quadrate und der verallgemeinerten strukturierten Komponentenanalyse verwendet wird, mangelt es ihm an Sensitivität, und wenn es in Kombination mit konsistenten Schätzungen verwendet wird, mangelt es ihm an Spezifität [ 45]. Daher verwendeten wir neben dem Fornell-Larcker-Kriterium auch das Heterotrait-Monotrait-Verhältnis von Korrelationen (HTMT), einen neuartigen Ansatz zur Beurteilung der Diskriminanzvalidität, der von Henseler, Ringle und Sarstedt eingeführt wurde, um sicherzustellen, dass der Test der Diskriminanzvalidität streng ist [ 46]. Ist der HTMT kleiner als eins, kann die Diskriminanzvalidität als erwiesen angesehen werden. In vielen praktischen Situationen unterscheidet ein Schwellenwert von 0,85 zuverlässig zwischen Paaren latenter Variablen, die diskriminanzgültig sind, und solchen, die dies nicht sind. Der HTMT wurde mit dem PLS-SEM-Softwarepaket berechnet und auch die Ergebnisse sind in Tabelle 5 aufgeführt.

SI, sozialer Einfluss; PE, Leistungserwartung; EE, Aufwandserwartung; FC, Erleichterungsbedingungen; BI, Verhaltensabsicht.

In den meisten Fällen war die Beziehung zwischen den Variablen nicht signifikant (p > 0,05). Es zeigte sich, dass ein signifikanter Zusammenhang zwischen Geschlecht und Leistungserwartung bestand (p < 0,05). Darüber hinaus bestand ein signifikanter Zusammenhang zwischen den unterstützenden Bedingungen und den Universitäten (p < 0,01) oder dem Bildungsabschluss (p < 0,01) der Befragten. Der Zusammenhang zwischen Verhaltensabsicht und Heimatort (p < 0,05) bzw. Dauer des klinischen Lernens (p < 0,01) der Befragten war ebenfalls recht signifikant.

Die Qualität des SEM wurde durch Untersuchung der Fitnessindizes des Modells und varianzerklärter Schätzungen beurteilt. Die Fitnessindizes des Modells werden wie folgt angezeigt: = 0,849 > 0,8 und RMSEA = 0,069 < 0,08, was zeigt, dass das Hypothesenmodell in dieser Forschung unterstützt wurde (Einzelheiten siehe Tabelle 6).

Alle Hypothesen wurden in dieser Studie unterstützt, mit Ausnahme der Hypothese H5, die besagt, dass die Anstrengungserwartung die Verhaltensabsicht positiv beeinflusst (β=-0,112, p = 0,240). Der standardisierte Pfadkoeffizient des Strukturmodells ist in Tabelle 7 dargestellt. Die Ergebnisse zeigen, dass die Beziehungen zwischen Leistungserwartung und Verhaltensabsicht (β = 0,275, p < 0,01), sozialem Einfluss und Verhaltensabsicht (β = 0,313, p < 0,01), Förderbedingung und Verhaltensabsicht (β = 0,331, p < 0,01) waren signifikant. Somit wurden H3, H4 und H6 bestätigt.

Darüber hinaus wurde außerhalb des Standard-UTAUT-Modells ein signifikanter Zusammenhang zwischen sozialem Einfluss und Leistungserwartung (β = 0,340, p < 0,01) sowie sozialem Einfluss und Leistungserwartung (β = 0,727, p < 0,01) beobachtet. Daher wurden H1 und H2 bestätigt. Die Übersicht über den standardisierten Pfadkoeffizienten des Strukturmodells ist in Abb. 2 dargestellt.

Pfadkoeffizienten für den Forschungsmodus. SI, sozialer Einfluss; PE, Leistungserwartung; EE, Aufwandserwartung; FC, Erleichterungsbedingungen; BI, Verhaltensabsicht. *P < 0,01

In dieser Studie haben wir versucht zu untersuchen, wie sich Variablen auf die Verhaltensabsicht der Studenten auswirken, ein auf VR-Technologie basierendes 3D-gastroskopisches Modell zwischen Studenten der Universität für klinische Medizinwissenschaften zu verwenden. Die Ergebnisse zeigten, dass es einen signifikanten Zusammenhang zwischen dem Jahr des klinischen Lernens und der Verhaltensabsicht der Studierenden gab, das auf VR-Technologie basierende 3D-gastroskopische Modell zu verwenden. Durch eine Post-Mortem-Analyse bestätigten wir, dass Studierende, die ein Jahr und ein bis zwei Jahre in der Klinik studiert hatten, eine stärkere Bereitschaft zeigten, die Technologie zu nutzen, als diejenigen, die länger als zwei Jahre in der Klinik studiert hatten. Es gab keinen signifikanten Unterschied in der Verhaltensabsicht zwischen Studierenden, die ein Jahr und ein bis zwei Jahre in der Klinik studiert hatten. Vielleicht weil Studierende, die länger als zwei Jahre in der Klinik studiert haben, durch längere Studien- und Praxisjahre mehr Erfahrung in der Durchführung der Magenspiegelung haben. Die gleiche Erklärung gilt für die signifikante Wirkung des Bildungsabschlusses auf die Erleichterung von Bedingungen, die dazu führen, dass Masterstudierende mehr Technik- oder Wissensunterstützung von Lehrern oder Organisationen wie Universitäten wahrnehmen als Doktoranden [47]. Im Gegensatz zu den Erkenntnissen von Venkatesh et al. Da der moderierende Effekt des Geschlechts auf die Anstrengungserwartung bis hin zur Verhaltensabsicht bei Frauen stärker ausfällt, haben wir herausgefunden, dass der Wert der Anstrengungserwartung männlicher Studierender höher ist als der der weiblichen Studierenden mit einer Signifikanz.

Anders als bei der Schichtung nach Arten von Universitäten und Hochschulen, Schlüsseluniversitäten und Hochschulen (KUC) und Nicht-Schlüsseluniversitäten und Hochschulen (NKUC) in der Forschung von Hongbin Wu et al. [42] haben wir Volluniversitäten und medizinische Universitäten als Grundlage für die Schichtung herangezogen, da sie über unterschiedliche Bildungsumgebungen und Lehrmethoden verfügen, die die Verhaltensabsichten der Studierenden beeinflussen können. Bei Volluniversitäten, die von Geistes- und Sozialwissenschaften sowie anderen Naturwissenschaften getragen werden, wird Wert auf die mehrstufige Förderung von Leistungen, Fähigkeiten und Wissen gelegt, damit Medizinstudenten auf der Grundlage guter beruflicher Fähigkeiten höhere Gesamtleistungen und umfassende Stärke entwickeln können. Für medizinische Universitäten dient die zentrale Arbeit der Schule der Förderung medizinischer Talente, und die Hauptaktivitäten der Schule konzentrieren sich auf die Förderung der Fähigkeiten der Medizinstudenten in der medizinischen Praxis, was der Ausbildung medizinischer Fachkräfte förderlich ist, an denen es jedoch relativ mangelt humanistisches Umfeld [48]. Die Ergebnisse des Rang-Summen-Tests zeigten, dass es einen signifikanten Unterschied in den Werten für die Erleichterung der Bedingungen zwischen den Studierenden verschiedener Arten von Universitäten gab, wobei die Werte bei den Studierenden medizinischer Universitäten höher waren, was beweist, dass unsere Schichtung angemessen ist. Wenn man bedenkt, dass nur wenige frühere Studien die Arten von Universitäten oder Hochschulen berücksichtigt haben, stellen diese Ergebnisse einen einzigartigen Beitrag zur Literatur dar [41].

Darüber hinaus wurde in dieser Untersuchung festgestellt, dass der Wohnort eine wichtige moderierende Variable ist, die die Verhaltensabsicht der Schüler bei der Nutzung von VR-Technologie beeinflusst. In unserer Forschung haben 143 Medizinstudenten aus ländlichen Gebieten Chinas eine schwächere Verhaltensabsicht, das auf VR-Technologie basierende 3D-Gastroskopmodell zu verwenden, als diejenigen aus städtischen Gebieten. Wir vermuten, dass der Grund für diesen Unterschied darin liegt, dass in China eine große Kluft zwischen städtischen und ländlichen Gebieten besteht [49]. Der familiäre wirtschaftliche Status von Medizinstudenten in ländlichen Gebieten ist relativ niedriger als der von Studenten in städtischen Gebieten [50], und sie akzeptieren neue Dinge oder Technologien nur langsam. Dies steht im Einklang mit einer Studie zu Online-Patientendiensten, in der festgestellt wurde, dass es Unterschiede zwischen Land- und Stadtbewohnern bei der Nutzung von Patientenportalen gibt [51]. Dies steht auch im Einklang mit früheren Forschungsergebnissen und der Studie von Ma Q et al. [52] dass der wirtschaftliche Status stark mit der Akzeptanz einer Technologie in Entwicklungsländern verbunden war.

Der traditionelle Gastroskopie-Unterricht weist viele Einschränkungen auf und es ist schwierig, die Risiken der Patienten und den tatsächlichen Betrieb der Schüler zu berücksichtigen [53,54,55]. Die VR-Technologie bietet eine bessere Lehrmethode für den Gastroskopie-Unterricht, die eine sehr reale Möglichkeit bieten kann Wir schaffen ein Umfeld für die Durchführung und Diagnose einer Gastroskopie für Studierende und verbessern die Durchführungsfähigkeit der Gastroskopie [56,57,58]. Die Studie übernahm den theoretischen Rahmen des ursprünglichen und erweiterten UTAUT-Modells und zielte darauf ab, die Akzeptanz des auf VR-Technologie basierenden 3D-gastroskopischen Modells durch klinische Medizinstudenten und die Faktoren zu untersuchen, die ihre Bereitschaft beeinflussen, sich gegen diese neue Lehrmodalität zu impfen.

Vier Determinanten im Forschungsmodell wurden gemäß dem Akzeptanzmodell theoretisiert, die Ergebnisse stimmten jedoch nicht perfekt überein, wie angenommen. Die Ergebnisse der Studie bestätigten, dass UTAUT größtenteils die Verhaltensabsicht der Schüler vorhersagen konnte, ein auf VR-Technologie erstelltes gastroskopisches Modell zu verwenden. Bezüglich der UTAUT-Korrelationsvariablen zeigt das Ergebnis, dass drei Variablen – Leistungserwartung, unterstützende Kondition und sozialer Einfluss – einen signifikanten Einfluss auf die Verhaltensabsicht bei der Verwendung des auf VR-Technologie erstellten 3D-gastroskopischen Modells hatten. Dies steht im Einklang mit unseren Annahmen für H3, H4, H6.

Erstens beeinflussten die Leistungserwartungen die Verhaltensabsicht der Medizinstudenten, das VR-Gastroskopiesystem zu erhalten, erheblich. Dies deutet darauf hin, dass die Akzeptanz des VR-Gastroskopiesystems umso stärker ist, je höher die Erwartungen der Medizinstudenten sind, dass das VR-Gastroskopiesystem zur Verbesserung ihrer medizinischen Fähigkeiten beitragen kann. Ali Garavand et al. verwendeten das UTAUT-Modell, um die Faktoren zu analysieren, die die Akzeptanz von mHealth-Anwendungen bei Medizinstudenten beeinflussen, und kamen zu dem Schluss, dass Leistungserwartungen einen signifikant positiven Einfluss auf Verhaltensabsichten haben [23]. Yousef et al. In einer Studie mit dem UTAUT-Modell zur Vorhersage der Absicht von Patienten, ihre persönlichen Gesundheitsakten zu verwenden, kamen wir zu dem Schluss, dass die Leistungserwartungen signifikant mit den Verhaltensabsichten korrelierten, was mit unseren Ergebnissen übereinstimmt [59]. Zweitens hatte sozialer Einfluss einen signifikanten Einfluss auf die Verhaltensabsicht der Medizinstudenten, das VR-Gastroskopiesystem zu erhalten. Dies weist darauf hin, dass die Umgebung der Medizinstudenten ihre Verhaltensabsicht gegenüber dem VR-Gastroskopiesystem beeinflusst, z. B. dass Lehrer und Klassenkameraden das VR-Gastroskopiesystem unterstützen und befürworten, was die Akzeptanz des VR-Gastroskopiesystems durch Medizinstudenten erhöhen wird. In einer Studie über die Akzeptanz und die Einflussfaktoren der Virtual-Reality-Sozialisierung bei älteren Menschen in der Stadt analysierten die Forscher anhand des UTAUT-Modells und stellten fest, dass sozialer Einfluss und Leistungserwartungen wichtige Faktoren sind, die die Akzeptanz der Virtual-Reality-Sozialisierung bei älteren Menschen beeinflussen [60]. Bei der Beurteilung der menschlichen Akzeptanz von AR-gestützten Montageszenarien haben Schuster et al. bestätigten, dass sich sozialer Einfluss positiv auf die Verhaltensabsicht auswirkt [61]. Dies wurde auch durch die Metaanalyse von Dwivedi et al. bestätigt, in der der Einfluss sozialer Faktoren auf Verhaltensabsichten in den meisten Studien signifikant war [18]. Schließlich hat die Erleichterung der Kondition in dieser Studie einen positiven und signifikantesten Einfluss auf die Verhaltensabsicht. Dies deutet darauf hin, dass die Akzeptanz des VR-Gastroskopiesystems bei Medizinstudierenden deutlich zunehmen wird, wenn das VR-Gastroskopiesystem einfach zu erlernen und anzuwenden ist. In der auf dem erweiterten UTAUT-Modell basierenden Studie zum Verständnis der Auswirkungen von Vertrauen auf die Benutzerakzeptanz von Cloud Computing haben Saad Alharbi et al. [62] stellten fest, dass Leistungserwartung und Erleichterungsbedingungen die wichtigen Einflussfaktoren waren. Die Studie von BrizPonce und García-Peñalvo [63] und Schomakers et al. [64] fanden heraus, dass der erleichternde Bedingungsfaktor ein starker Prädiktor ist, der die Verhaltensabsicht beeinflusst. Diese stimmen alle mit den Ergebnissen dieser Studie überein.

Darüber hinaus haben wir die Bedeutung zwischen sozialem Einfluss und Leistungserwartung, sozialem Einfluss und Leistungserwartung überprüft und somit die H1- und H2-Hypothesen überprüft. Dies steht im Einklang mit mehreren Studien von Wissenschaftlern wie Paula Philippi und Mengting Chen [27, 28]. Wenn Lehrer oder Klassenkameraden den Schülern empfehlen, das auf VR-Technologie erstellte 3D-Gastroskopiemodell zu verwenden, werden sie die Technologie wahrscheinlich als benutzerfreundlich erachten, oder die Technologie wird ihnen helfen, ihre Lernleistung zu steigern und so ihre Akzeptanz der Technologie zu verbessern. Diese beiden Hypothesen liegen außerhalb des UTAUT-Modells und nur wenige Studien konzentrieren sich auf die Beziehung zwischen ihnen. Die positiven Ergebnisse unserer Studie deuten darauf hin, dass die zukünftige Forschung mehr Aufmerksamkeit darauf richten sollte, den Zusammenhang zwischen sozialem Einfluss und Leistungserwartung sowie den Zusammenhang zwischen sozialem Einfluss und Leistungserwartung genauer zu überprüfen.

Den Ergebnissen dieser Studie zufolge hat die Anstrengungserwartung keinen signifikanten Einfluss auf die Verhaltensabsicht. Frühere Studien haben jedoch darauf hingewiesen, dass die Aufwandserwartung einen erheblichen Einfluss auf die Verhaltensabsicht der Benutzer hat, eine neue Technologie einzusetzen [65,66,67]. Die verblüffende Inkonsistenz kann darauf zurückzuführen sein, dass VR in der medizinischen Ausbildung noch nicht weit verbreitet ist und die Studierenden daher nur unzureichend mit dem auf VR-Technologie erstellten 3D-Gastroskopiemodell vertraut sind. Wenn die Schüler nicht wissen, wie sie das auf VR-Technologie erstellte 3D-gastroskopische Modell verwenden oder lernen sollen, es zu verwenden, sind sie möglicherweise nicht sicher, ob sie hart arbeiten können, um sich mit dieser völlig neuen Sache vertraut zu machen. Die Annahme ist relativ vernünftig, da frühere Studien gezeigt haben, dass die Anstrengungserwartung einen erheblichen Einfluss auf die Verhaltensabsicht der Benutzer hat. Konzentrieren Sie sich auf einige Apps oder Techniken, die weit verbreitet sind und mit denen die Befragten vertraut sind.

Die theoretischen Beiträge dieser Studie sind wie folgt: Diese Studie wendet zum ersten Mal das UTAUT-Modell im Bereich der VR-Gastroskopie an und untersucht die Verhaltensabsicht von Medizinstudenten, eine VR-Gastroskopie zu erhalten, und schließt die Lücken in früheren Forschungsfeldern, z. B. zwischen UTAUT und virtuell Wirklichkeit. Darüber hinaus passte diese Studie das UTAUT-Modellgerüst an das ursprüngliche UTAUT-Modell an, das von Venkatesh et al. vorgeschlagen wurde. im Rahmen dieser Studie. Die vier moderierenden Variablen des ursprünglichen UTAUT-Modells (Geschlecht, Alter, Erfahrung und Freiwilligkeit der Nutzung) wurden an die fünf demografischen Faktoren Geschlecht, Art der Hochschule, Klassenstufe, Jahr des klinischen Studiums und Wohnort angepasst. Außerdem wurde die Bedeutung zwischen sozialem Einfluss und Leistungserwartung, sozialem Einfluss und Leistungserwartung, der die Forscher nicht viel Aufmerksamkeit schenkten, überprüft.

Der praktische Beitrag dieser Studie besteht darin, dass ihre Ergebnisse medizinischen Ausbildern dabei helfen könnten, den Einsatz von 3D-Gastroskopiemodellen besser zu lehren. Dies könnte medizinischen Fakultäten dabei helfen, die Technologie bei der Vermittlung medizinischer Kenntnisse besser zu nutzen und das Verständnis und die operativen Fähigkeiten der Studierenden in Bezug auf Krankheiten, Diagnose und Behandlung zu verbessern, wodurch chirurgische Risiken verringert und die Patientensicherheit verbessert werden. Darüber hinaus könnte diese Studie auch eine Referenz für ähnliche Verbesserungen in der Lehre und den Einsatz neuer Technologien in anderen Fachbereichen sowie die Entwicklung von Lehrmitteln für verwandte Unternehmen sein.

Die Einschränkungen der Studie sind wie folgt. Da es sich bei den Forschungsdaten erstens um Selbstauskünfte handelt, ist es schwierig, einen gewissen Erinnerungsbias zu beseitigen. Zweitens handelt es sich bei dieser Studie um eine Querschnittsdesignstudie, die keine kausalen Schlussfolgerungen erfasst. Daher werden nicht die Faktoren erfasst, die die Verhaltensabsicht von Medizinstudierenden beeinflussen, das VR-Gastroskopiemodell zu verwenden, sondern vielmehr Faktoren, die mit Phänomenen zusammenhängen. Darüber hinaus wurde die latente Variable „Nutzungsverhalten“ aus unserem Modell ausgeschlossen, da die traditionellen Hochsimulationsgeräte zu teuer für den breiten Einsatz an medizinischen Fakultäten in China waren und viele der Befragten in unserer Umfrage nicht über diese verfügten Erfahrung im Umgang mit VR-Technologie zum Lernen. Zukünftige Studien können Befragte aus Ländern rekrutieren, in denen VR-Technologie häufig in der Magenspiegelungslehre eingesetzt wird, und die Beziehungen zwischen dem Nutzungsverhalten und anderen Variablen untersuchen.

Im Vergleich zum traditionellen Gastroskopie-Unterricht hat der Einsatz von VR-Technologie im Gastroskopie-Unterricht herausragende Vorteile, da er die inhärenten Mängel des traditionellen Unterrichtsmodus ausgleichen kann. In dieser Studie wurde das UTAUT-Modell angewendet, um die Determinanten der Verhaltensabsicht von Studierenden klinischer Medizin gegenüber der Verwendung des auf VR-Technologie erstellten 3D-gastroskopischen Modells zu erklären. Auf der Grundlage der Stratifizierung wurden die Daten von Gesamtuniversitäten und medizinischen Universitäten von 292 Befragten erhoben. Wir haben die manipulierten Variablen „Erfahrung“ und „Freiwilligkeit“ ausgeschlossen und das „Alter“ in „Jahr des klinischen Lernens“ geändert. Gleichzeitig haben wir manipulierte Variablen „Wohnort“ und „Bildungsabschluss“ eingebracht, die neue Perspektiven auf die Interaktion zwischen den vier vorherigen latenten Variablen boten, da sie Auswirkungen auf die Verhaltensabsicht hatten.

Die wichtigsten Schlussfolgerungen lauten wie folgt: Es wurde eine hohe interne Konsistenz und Zuverlässigkeit des Modells nachgewiesen, was eine ausreichende Erklärungskraft des in dieser Studie vorgeschlagenen Modells auf der Grundlage von UTAUT zeigt. In dieser Studie wurden positive Auswirkungen der Leistungserwartung, des sozialen Einflusses und der begünstigenden Bedingungen auf die Verhaltensabsicht bei der Verwendung des auf VR-Technologie erstellten 3D-gastroskopischen Modells nachgewiesen. Darüber hinaus ist sozialer Einfluss ein Schlüsselfaktor, der die Leistungserwartung klinischer Medizinstudenten maßgeblich beeinflusst, und die Ergebnisse zeigten einen positiven Effekt des sozialen Einflusses auf die Leistungserwartung, der eine Richtung für zukünftige Studien vorgab.

Eine wichtige Variable der Aufwandserwartung im Rahmen des SEM wurde nicht zertifiziert, was darauf hinweist, dass Universitäten und Lehrkräfte dieser Variablen besondere Aufmerksamkeit widmen sollten, bevor sie ein auf VR-Technologie basierendes 3D-gastroskopisches Modell im Unterricht anwenden. Es sind zusätzliche vorbereitende Arbeiten erforderlich, wie z. B. die Erläuterung des Grundwissens über die Betriebsschritte des VR-Modells und die Vermittlung eines angemessenen Verständnisses für die Zugänglichkeit der Schüler, was ihre Absichten, es zu verwenden, wahrscheinlich verbessern kann. Darüber hinaus schlagen wir vor, dass die VR-Gastroskopie-Lehre in den traditionellen Lehrmodus integriert werden sollte und die konzipierten Bedienschritte leicht zu erlernen und zu beherrschen sein sollten. Insbesondere sollten die Ausbilder in den verschiedenen Arbeitsabläufen des VR-Gastroskopie-Lehrsystems geübt sein.

Die Autoren erklären, dass die unterstützenden Daten auf begründete Anfrage bei den entsprechenden Autoren eingeholt werden können.

Khan R, Plahouras J, Johnston BC, Scaffidi MA, Grover SC, Walsh CM. Virtual-Reality-Simulationstraining in der Endoskopie: eine Cochrane-Überprüfung und Metaanalyse. Endoskopie. 2019;51(7):653–64. https://doi.org/10.1055/a-0894-4400. Epub 10.05.2019.

Artikel Google Scholar

He L, Lin J. Pflegeintervention und Wirkungsanalyse der Gastroskopie. Forum der Primärversorgungsmedizin (2020) 24(29):4264–5. doi: https://doi.org/10.19435/j.1672-1721.2020.29.077.

Jin Z, Gan T, Wang P, Fu Z, Zhang C, Yan Q, et al. Deep Learning für gastroskopische Bilder: computergestützte Techniken für Kliniker. Biomed Eng Online. 2022;21(1):12. https://doi.org/10.1186/s12938-022-00979-8. Epub 13.02.2022.

Artikel Google Scholar

Yang Hou YL, Jiangang, Shi, Wen Yuan. Die Rolle und das Denken des medizinischen Ausbildungsmodus basierend auf Virtual-Reality-Technologie in der orthopädischen Lehrpraxis. Verletzung des Kinn-J-Knochen-Gelenks. 2018;33(03):334–6. https://doi.org/10.7531/j.issn.1672-9935.2018.03.045.

Artikel Google Scholar

Wu Y, Zhao J, Liang Y, Qin Z, Meng J, Xu S et al. Patientenzufriedenheit in Krankenhäusern in Shanghai: Eine multizentrische Querschnittsstudie mit großer Stichprobe. (2021). doi: https://doi.org/10.1142/S2689980921500019.

Shuwei Sun. Studie zum Design und zur Implementierung des Online-Untersuchungssystems für virtuelle Gastroskope. Zweite Militärmedizinische Universität; 2007.

Yi-Bo WU, Xie XH, Zhao ZG, Wang LQ, Xin-Yi LI, Tian Y et al. Studie über die Erfahrung und das Verständnis der pharmazeutischen Versorgung beim medizinischen Personal und in der Öffentlichkeit.Chinese Journal of Hospital Pharmacy, 2020, 40(06):714–718. doi:https://doi.org/10.13286/j.1001-5213.2020.06.23.

Hong L, doi: 10.3969 /j.issn.1008-7125.2021.03.011.

Walsh CM, Cohen J, Woods KL, Wang KK, Andersen DK, Anderson MA, et al. Asge Endovators Summit: Simulatoren und die Zukunft des endoskopischen Trainings. Gastrointest Endosc. 2019;90(1):13–26. https://doi.org/10.1016/j.gie.2018.10.031. Epub 28.05.2019.

Artikel Google Scholar

Chen FQ, Leng YF, Ge JF, Wang DW, Li C, Chen B, et al. Wirksamkeit der virtuellen Realität in der Pflegeausbildung: Metaanalyse. J Med Internet Res. 2020;22(9):e18290. https://doi.org/10.2196/18290. Epub 16.09.2020.

Artikel Google Scholar

Wang Q, Li C, Xie Z, Bu Z, Shi L, Wang C, et al. Die Entwicklung und Anwendung der Virtual-Reality-Animationssimulationstechnologie: Nehmen Sie das Gastroskopie-Simulationssystem als Beispiel. Pathol Oncol Res. 2020;26(2):765–9. https://doi.org/10.1007/s12253-019-00590-8. Epub 28.02.2019.

Artikel Google Scholar

Schmidt MW, Kowalewski KF, Schmidt ML, Wennberg E, Garrow CR, Paik S, et al. Der Heidelberg Vr-Score: Entwicklung und Validierung eines zusammengesetzten Scores für das laparoskopische Virtual-Reality-Training. Surg Endosc. 2019;33(7):2093–103. https://doi.org/10.1007/s00464-018-6480-x. Epub 18.10.2018.

Artikel Google Scholar

Shi HT, Liu N, Zhao JH, Guo XY, Wang Y, Shi-Yang MA et al. Stand der Schulung zur Verdauungsendoskopie und der Anwendung des Virtual-Reality-Endoskopsimulators. (2018). doi: https://doi.org/10.13555/j.cnki.cme2018.02.048.

Lesch H, Johnson E, Peters J, Cendan JC. VR-Simulation führt zu mehr Verfahrenssicherheit für chirurgische Auszubildende. J Surg Educ. 2020;77(1):213–8. https://doi.org/10.1016/j.jsurg.2019.08.008. Epub 31.08.2019.

Artikel Google Scholar

Venkatesh V, Morris MG, Davis GB, Davis FDJMQ. Benutzerakzeptanz der Informationstechnologie: Auf dem Weg zu einer einheitlichen Sicht. (2003) 27(3):425–78. doi: https://doi.org/10.2307/30036540.

Wang JJS. Forschungstrend der einheitlichen Theorie der Akzeptanz und Nutzung der Technologietheorie: Eine bibliometrische Analyse. (2021) 14. doi: https://doi.org/10.3390/su14010010.

Cilliers L, Viljoen KL, Chinyamurindi WT. Eine Studie über die Akzeptanz der Mobiltelefonnutzung bei Studenten in Südafrika zur Suche nach Gesundheitsinformationen. Gesundheitsinf.-Manag. 2018;47(2):59–69. https://doi.org/10.1177/1833358317706185. Epub 26.05.2017.

Artikel Google Scholar

C AYKD, E BL MASBDACS. F VWJGIQ. Ein allgemeines Einführungsmodell für Dienste: ein länderübergreifender Vergleich von Mobile Health (M-Health). (2016) 33(1):174–87. doi: https://doi.org/10.1016/j.giq.2015.06.003.

Hoque R, Sorwar G. Faktoren verstehen, die die Einführung von Mhealth bei älteren Menschen beeinflussen: eine Erweiterung des Utaut-Modells. Int J Med Inform. 2017;101:75–84. https://doi.org/10.1016/j.ijmedinf.2017.02.002. Epub 30.03.2017.

Artikel Google Scholar

Bracq MS, Michinov E, Arnaldi B, Caillaud B, Gibaud B, Gouranton V et al. Erlernen prozeduraler Fähigkeiten mit einem Virtual-Reality-Simulator: Eine Akzeptanzstudie. Nurse Educ Today (2019) 79:153 – 60. Epub 28.05.2019. doi: https://doi.org/10.1016/j.nedt.2019.05.026.

Gonzalez Bravo L, Fernandez Sagredo M, Torres Martinez P, Barrios Penna C, Fonseca Molina J, Stanciu ID, et al. Psychometrische Analyse eines Maßes für die Akzeptanz neuer Technologien (Utaut), angewendet auf den Einsatz haptischer virtueller Simulatoren bei Studenten der Zahnmedizin. Eur J Dent Educ. 2020;24(4):706–14. https://doi.org/10.1111/eje.12559. Epub 23.06.2020.

Artikel Google Scholar

Kemp A, Palmer EJ, Strelan PJBJoET. Eine Taxonomie von Faktoren, die die Einstellung gegenüber Bildungstechnologien zur Verwendung mit Technologieakzeptanzmodellen beeinflussen. (2019) (2). doi:https://doi.org/10.1111/bjet.12833.

Garavand A, Samadbeik M, Nadri H, Rahimi B, Asadi H. Effektive Faktoren bei der Akzeptanz mobiler Gesundheitsanwendungen zwischen Medizinstudenten, die das Utaut-Modell verwenden. Methoden Inf Med. 2019;58(4–05):131–9. https://doi.org/10.1055/s-0040-1701607. Epub 15.03.2020.

Artikel Google Scholar

Venkatesh V, Thong J, Xin XJMQ. Verbraucherakzeptanz und Nutzung von Informationstechnologie: Erweiterung der einheitlichen Theorie der Akzeptanz und Nutzung von Technologie. (2012) 36(1):157 – 78. doi: https://doi.org/10.2307/41410412.

Shen C, Ho J, Ly PTM, et al. Verhaltensabsichten beim Einsatz virtueller Realität beim Lernen: Perspektiven der Akzeptanz von Informationstechnologie und Lernstil. Virtuelle Realität. 2019;23(3):313–24.

Artikel Google Scholar

Jr. HW, Liang LY, Du CL. Sr YJJm, uhealth. Die Implementierung von Online-Krankenhäusern in China: Untersuchung der Einflussfaktoren auf die Einführung mobiler medizinischer Dienste (Vorabdruck). (2020) 9(2). doi: https://doi.org/10.2196/25960.

Philippi P, Baumeister H, Apolinario-Hagen J, Ebert DD, Hennemann S, Kott L, et al. Akzeptanz gegenüber digitalen Gesundheitsinterventionen – Modellvalidierung und Weiterentwicklung der einheitlichen Theorie der Akzeptanz und Nutzung von Technologie. Internet-Interv. 2021;26:100459. https://doi.org/10.1016/j.invent.2021.100459. Epub 05.10.2021.

Artikel Google Scholar

Chen M, Wang X, Wang J, Zuo C, Tian J, Cui Y. Faktoren, die die kontinuierliche Absicht von College-Studenten beeinflussen, die Online-Kursplattform zu nutzen. SN Comput Sci. 2021;2(2):114. https://doi.org/10.1007/s42979-021-00498-8. Epub 03.03.2021.

Artikel Google Scholar

Wang W, Tang L, Zhao XF, Huang JS. Über die Überlegungen zum Einsatz von Hochsimulationsgeräten im klinischen medizinischen Praxisunterricht. Pop Sci Tech 2015,15(5):153–4.

Wu JH, Shen WS, Lin LM, Greenes RA, Bates DW. Testen des Technologieakzeptanzmodells zur Bewertung der Absicht von Gesundheitsfachkräften, ein System zur Meldung unerwünschter Ereignisse zu verwenden. Int J Qual Health Care. 2008;20(2):123–9. https://doi.org/10.1093/intqhc/mzm074. Epub 29.01.2008.

Artikel Google Scholar

Wang H, Tao D, Yu N, Qu X. Verständnis der Verbraucherakzeptanz von tragbaren Geräten für das Gesundheitswesen: ein integriertes Modell von Utaut und Ttf. Int J Med Inform. 2020;139:104156. https://doi.org/10.1016/j.ijmedinf.2020.104156. Epub 11.05.2020.

Artikel Google Scholar

Yuan S, Ma W, Kanthawala S, Peng W. Meine Gesundheits-Apps weiterhin nutzen: Entdecken Sie mit dem Utaut2-Modell die Wahrnehmung der Benutzer von Gesundheits- und Fitness-Apps. Telemed JE Health. 2015;21(9):735–41. https://doi.org/10.1089/tmj.2014.0148. Epub 29.04.2015.

Artikel Google Scholar

Zhang Y, Liu C, Luo S, Xie Y, Liu F, Li X, et al. Faktoren, die die Absichten von Patienten beeinflussen, Diabetes-Management-Apps zu verwenden, basierend auf einem erweiterten einheitlichen Modell zur Akzeptanz und Nutzung von Technologie: webbasierte Umfrage. J Med Internet Res. 2019;21(8):e15023. https://doi.org/10.2196/15023. Epub 15.08.2019.

Artikel Google Scholar

de Veer AJ, Peeters JM, Brabers AE, Schellevis FG, Rademakers JJ, Francke AL. Determinanten der Absicht, E-Health durch in Wohngemeinschaften lebende ältere Menschen zu nutzen. BMC Health Serv Res. 2015;15:103. https://doi.org/10.1186/s12913-015-0765-8. Epub 19.04.2015.

Artikel Google Scholar

Zhang Y, Liu C, Luo S, Xie Y, Liu F, Li J Med Internet Res. 2019;21(8):e15023. https://doi.org/10.2196/15023. PMID: 31411146; PMCID: PMC6711042.

Artikel Google Scholar

Vanneste D, Vermeulen B, Declercq A. Akzeptanz von BelRAI durch medizinisches Fachpersonal, einem webbasierten System, das personenzentrierte Aufzeichnung und Datenaustausch in allen Pflegeeinrichtungen mit interRAI-Instrumenten ermöglicht: eine UTAUT-Analyse. BMC Med Inform Decis Mak. 2013;13:129. https://doi.org/10.1186/1472-6947-13-129. Epub 28.11.2013.

Artikel Google Scholar

Emmert M, Wiener M. Welche Faktoren bestimmen die Absicht, Krankenhauszeugnisse zu verwenden? Die Perspektiven von Nutzern und Nichtnutzern. Patientenaufklärungsberater. 2017;100(7):1394–401. https://doi.org/10.1016/j.pec.2017.01.021. Epub 5. Februar 2017. PMID: 28189471.

Artikel Google Scholar

Wen D, Ma X, Li H, Liu Z, Xian B, Liu Y. Empathie bei chinesischen Medizinstudenten: psychometrische Merkmale und Unterschiede nach Geschlecht und Jahr der medizinischen Ausbildung. BMC Med Educ. 2013;13(1):130. https://doi.org/10.1186/1472-6920-13-130. Epub 24.09.2013.

Artikel Google Scholar

Haare FJr. In: Black WC, Babin BJ, Anderson RE, Herausgeber. Multivariate Datenanalyse: Eine globale Perspektive. 7. Aufl. New York, NY: MacMillan; 2010.

Google Scholar

Wen D, Ma X, Li H, Liu Z, Xian B, Liu Y. Empathie bei chinesischen Medizinstudenten: psychometrische Merkmale und Unterschiede nach Geschlecht und Jahr der medizinischen Ausbildung. BMC Med Educ. 2013;13(1):130. https://doi.org/10.1186/1472-6920-13-130. Epub 24.09.2013.

Artikel Google Scholar

Wu H, Li S, Zheng J, Guo J. Motivation und akademische Leistung von Medizinstudenten: die vermittelnden Rollen von Selbstwirksamkeit und Lernengagement. Med Educ Online. 2020;25(1):1742964. https://doi.org/10.1080/10872981.2020.1742964.PubMed. Epub 18.03.2020.

Artikel Google Scholar

Fornell C, Larcker DF. Bewertung von Strukturgleichungsmodellen mit nicht beobachtbaren Variablen und Messfehlern. J Market Res1981.

Hair JF Jr, Hult GTM, Ringle C, Sarstedt M. Eine Einführung in die Strukturgleichungsmodellierung mit partiellen kleinsten Quadraten (PLS-SEM). Thousand Oaks, CA: Sage Publications; 2016.

Google Scholar

Henseler J, Ringle CM, Sinkovics RR. Die Verwendung der partiellen Pfadmodellierung der kleinsten Quadrate im internationalen Marketing. In neuen Herausforderungen für das internationale Marketing. Bingley: Emerald Group Publishing Limited; 2009.

Google Scholar

Voorhees CM, Brady MK, Calantone R, et al. Diskriminanzvaliditätstests im Marketing: eine Analyse, Anlass zur Sorge und vorgeschlagene Abhilfemaßnahmen. J der Acad Mark Sci. 2016;44:119–34. https://doi.org/10.1007/s11747-015-0455-4.

Artikel Google Scholar

Henseler J, Ringle CM, Sarstedt M. Ein neues Kriterium zur Beurteilung der Diskriminanzvalidität in der varianzbasierten Strukturgleichungsmodellierung. J der Acad Mark Sci. 2015;43:115–35. https://doi.org/10.1007/s11747-014-0403-8.

Artikel Google Scholar

Xu SX, Duan TY, Wei ST, et al. Verbreitung innovativen Verhaltens der Öffentlichkeit bei der Vorbereitung von FEMKs: von innovativen Merkmalen bis hin zur persönlichen Risikowahrnehmung und Verhaltensabsicht. Psychosom Med Res. 2021;3(1):16–23.

Google Scholar

Fangmin Xing Z, Zeng Q, Ouyang. Vergleich von medizinischen Fakultäten und unabhängigen medizinischen Hochschulen in China. Coll Educ,2016(08):142–4.

Yao Y, Jiang L. Urbanisierungskräfte, die zu Einkommensunterschieden in ländlichen Städten führen: Belege aus Ballungsräumen in China. J Clean Prod. 2021;312(2):127748.

Artikel Google Scholar

Gray K, Kaji AH, Wolfe M, Calhoun K, Amersi F, Donahue T, et al. Einfluss der Studiendarlehensschulden auf die Entscheidungsfindung in Bezug auf die Karriere und den Lebensstil von Assistenzärzten in der Allgemeinchirurgie. J Am Coll Surg. 2020;230(2):173–81. https://doi.org/10.1016/j.jamcollsurg.2019.10.016. Epub 30.11.2019.

Artikel Google Scholar

Huang M, Wen A, He H, Wang L, Liu S, Wang Y, Zong N, Yu Y, Prigge JE, Costello BA, Shah ND, Ting HH, Doubeni C, Fan JW, Liu H, Patten CA. Unterschiede zwischen Land und Stadt im Mittleren Westen bei der Nutzung von Online-Patientendiensten für COVID-19. J Rural Health 2022, 8. März:https://doi.org/10.1111/jrh.12657. doi: 10.1111/jrh.12657. Epub vor dem Druck. PMID: 35261092; PMCID: PMC9115171.

Ma Q, Chan AH, Chen K. Persönliche und andere Faktoren, die die Akzeptanz der Smartphone-Technologie bei älteren chinesischen Erwachsenen beeinflussen. Appl Ergon. 2016;54:62–71. PubMed PMID: 26851465.

Artikel Google Scholar

Rajesh Aggarwal MRCS. Ara Darzi. Technische Ausbildung im 21. Jahrhundert. New Engl J Med 2006,355: 2695–6.

Zou WB, Hou XH, Xin L, Liu J, Bo LM, Yu GY, et al. Magnetisch gesteuerte Kapselendoskopie vs. Gastroskopie bei Magenerkrankungen: eine selbstkontrollierte Vergleichsstudie mit zwei Zentren. Endoskopie. 2015;47(6):525–8. https://doi.org/10.1055/s-0034-1391123. Epub 16.01.2015.

Artikel Google Scholar

Vinnamala S, Murthy B, Parmar J, Bhasin N, Verma P, Melville C, Mannath J. Rendezvous-Technik mit Bronchoskopie und Gastroskopie zum Schließen einer tracheoösophagealen Fistel durch Platzierung eines Over-the-Scope-Clips. Endoskopie. 2014;46. https://doi.org/10.1055/s-0034-1377215. Epub 24. Juli 2014. PMID: 25058822. Suppl 1 UCTN:E301.

Cai MY, Cai XL, Zhou PH, Li XH, Liu XW, Xiong J, et al. [Multizentrische empirische Untersuchung des virtuellen Gastroskopie-Simulators zur Überprüfung der klinischen Praxiskompetenz von Fachärzten]. Zhonghua Wei Chang Wai Ke Za Zhi. 2019;22(10):972–6. https://doi.org/10.3760/cma.j.issn.1671-0274.2019.10.013. Epub 22.10.2019.

Artikel Google Scholar

Bradley P. Die Geschichte der Simulation in der medizinischen Ausbildung und mögliche zukünftige Richtungen. Medizinische Ausbildung. 2006;40(3):254–62. https://doi.org/10.1111/j.1365-2929.2006.02394.x. PMID: 16483328.

Artikel Google Scholar

Wang Q, Li C, Xie Z, Bu Z, Shi L, Wang C, Jiang F. Die Entwicklung und Anwendung der Simulationstechnologie für Virtual-Reality-Animationen: Nehmen Sie das Gastroskopie-Simulationssystem als Beispiel. Pathol Oncol Res. 2020;26(2):765–9. https://doi.org/10.1007/s12253-019-00590-8. Epub 26. Februar 2019. PMID: 30809768.

Artikel Google Scholar

Yousef CC, Salgado TM, Farooq A, Burnett K, McClelland LE, Thomas A, Alenazi AO, Abu Esba LC, AlAzmi A, Alhameed AF, Hattan A, Elgadi S, Almekhloof S, AlShammary MA, Alanezi NA, Alhamdan HS, Khoshhal S, DeShazo JP. Vorhersage der Absicht von Patienten, eine persönliche Gesundheitsakte zu verwenden, mithilfe eines angepassten Modells der einheitlichen Theorie der Akzeptanz und Nutzung von Technologie: Sekundärdatenanalyse. JMIR Med Inform. 2021;9(8):e30214. https://doi.org/10.2196/30214. PMID: 34304150; PMCID: PMC8408759.

Artikel Google Scholar

Shao D, Lee IJ. Akzeptanz und Einflussfaktoren der sozialen virtuellen Realität bei älteren Menschen in der Stadt. Nachhaltigkeit. 2020;12(22):9345. https://doi.org/10.3390/su12229345.

Artikel Google Scholar

Schuster F, Engelmann B, Sponholz U et al. Bewertung der menschlichen Akzeptanz von AR-gestützten Montageszenarien. J Manufaktur, 2021(1); doi:10.1016.

Alharbi S. Ein erweitertes UTAUT-Modell zum Verständnis der Auswirkung von Vertrauen auf die Akzeptanz von Cloud Computing durch Benutzer. Int J Comput Appl Technol. 2017;56(1):65–76.

Artikel Google Scholar

Rahimi B, Nadri H, Lotfnezhad Afshar H, Timpka T. Eine systematische Überprüfung des Technologieakzeptanzmodells in der Gesundheitsinformatik. Appl Clin Inform. 2018;9(3):604–34. https://doi.org/10.1055/s-0038-1668091. Epub 17.08.2018.

Artikel Google Scholar

Schomakers EM, Lidynia C, Ziefle M. Untersuchung der Akzeptanz von mHealth-Anwendungen – Variieren die Akzeptanzmuster je nach Kontext? In: Ahram T, Herausgeber. Fortschritte bei menschlichen Faktoren in Wearable Technologies und Game Design. AHFE 2018. Fortschritte in intelligenten Systemen und Computern. Band 795. Cham: Springer; 2019. https://doi.org/10.1007/978-3-319-94619-1_6.

Kapitel Google Scholar

Dai B, Larnyo E, Tetteh EA, Aboagye AK, Musah AA. Faktoren, die die Akzeptanz der Nutzung tragbarer Geräte durch Patienten mit Demenz durch Pflegekräfte beeinflussen: Eine Erweiterung des einheitlichen Modells der Theorie der Akzeptanz und Nutzung von Technologie. Bin J Alzheimers Dis Andere Demen. 2020 Jan.-Dez.;35:1533317519883493. doi: https://doi.org/10.1177/1533317519883493. Epub 3. November 2019. PMID: 31679390.

Azizi SM, Roozbahani N, Khatony A. Faktoren, die die Akzeptanz von Blended Learning in der medizinischen Ausbildung beeinflussen: Anwendung des UTAUT2-Modells. BMC Med Educ. 2020;20:367. https://doi.org/10.1186/s12909-020-02302-2.

Artikel Google Scholar

Ciftci SK, Gok R, Karadag E. Akzeptanz und Nutzung der Fernunterrichtssysteme türkischer Medizinpädagogen während der COVID-19-Pandemie: eine Analyse kontextueller Faktoren mit dem UTAUT2. BMC Med Educ. 2023;23:36. https://doi.org/10.1186/s12909-023-04024-7.

Artikel Google Scholar

Referenzen herunterladen

Die Autoren möchten allen Lehrern und Schülern danken, die die Methodik und Überarbeitung des Artikels vorgeschlagen haben, sowie allen Schülern, die das Ausfüllen der Fragebögen unterstützt haben.

Dieses Projekt wurde von der National Natural Science Foundation of China (Nr. 82170562) finanziert. Beijing Natural Science Foundation (Nr. 7232199), Capital-Fonds für Gesundheitsverbesserung und Forschung (Nr. 2022-2-4093), Youth Incubation Fund des Dritten Krankenhauses der Peking-Universität (Nr. BYSYFY2021003).

Shuting Wei und Pu Ge haben gleichermaßen zu dieser Arbeit beigetragen und teilen sich die Erstautorenschaft.

Forschungszentrum für translationale Medizin, Abteilung für medizinische Innovationsforschung, Viertes medizinisches Zentrum des chinesischen PLA-Allgemeinkrankenhauses, Peking, China

Wei schließen

Schule für Traditionelle Chinesische Medizin, Universität für Chinesische Medizin Peking, Peking, China

Pu Ge

Hochschule für Geistes- und Sozialwissenschaften, Medizinische Universität Harbin, Heilongjiang, China

Jinzi Zhang & Yujia Wang

Chinesische Pharmazeutische Universität, Nanjing, China

Shuxian Xu

Fakultät für Geisteswissenschaften und Gesundheitsmanagement, Jinzhou Medical University, Jinzhou, China

Qiyu Li

School of Medicine, Macau University of Science and Technology, Macau, China

Bojunhao Feng

Schule für Sportgeistes- und Sozialwissenschaften, Jilin Sport University, Changchun, China

Wenli Yu

Abteilung für Gastroenterologie, Drittes Krankenhaus der Universität Peking, Peking, China

Baojun Suo & Zhiqiang Song

Abteilung für Epidemiologie, Staatliches Schlüssellabor für Herz-Kreislauf-Erkrankungen, Fuwai-Krankenhaus, Nationales Zentrum für Herz-Kreislauf-Erkrankungen, Chinesische Akademie der Medizinischen Wissenschaften und Peking Union Medical College, Tsinghua-Universität, Peking, China

Yueyang Zhang

Das dritte klinische medizinische College, Harbin Medical University, Heilongjiang, China

Mingxing Wang

School of Public Health, Peking-Universität, Peking, China

Xinying Sun & Yibo Wu

Sie können diesen Autor auch in PubMed Google Scholar suchen

Sie können diesen Autor auch in PubMed Google Scholar suchen

Sie können diesen Autor auch in PubMed Google Scholar suchen

Sie können diesen Autor auch in PubMed Google Scholar suchen

Sie können diesen Autor auch in PubMed Google Scholar suchen

Sie können diesen Autor auch in PubMed Google Scholar suchen

Sie können diesen Autor auch in PubMed Google Scholar suchen

Sie können diesen Autor auch in PubMed Google Scholar suchen

Sie können diesen Autor auch in PubMed Google Scholar suchen

Sie können diesen Autor auch in PubMed Google Scholar suchen

Sie können diesen Autor auch in PubMed Google Scholar suchen

Sie können diesen Autor auch in PubMed Google Scholar suchen

Sie können diesen Autor auch in PubMed Google Scholar suchen

Sie können diesen Autor auch in PubMed Google Scholar suchen

SW und PG beteiligten sich umfassend an der Studie und verfassten den Entwurf des Manuskripts. SX und JZ waren an der Strukturgleichungskonstruktion und Datenanalyse beteiligt. YW war am Skalendesign beteiligt. QL und FB beteiligten sich an der Datenanalyse und stellten die Bilder und Tabellen zusammen. WY, BS, YZ, MW und XS sammelten und organisierten die Daten. ZS und YW waren für die umfassende Leitung der Studie, die kritische Überarbeitung des Manuskripts und ihren Beitrag zum Studiendesign verantwortlich. Alle Autoren haben die endgültige Fassung des Manuskripts überprüft, verfeinert und genehmigt. Alle Autoren erklären sich damit einverstanden, für alle Aspekte der Arbeit verantwortlich zu sein.

Korrespondenz mit Zhiqiang Song.

Die Autoren geben an, dass keine Interessenkonflikte bestehen.

Diese Studie wurde von der Ethikkommission des Health Culture Research Center, der wichtigsten Forschungsbasis für Philosophie und Sozialwissenschaften in der Provinz Shaanxi, genehmigt. Von allen Teilnehmern wurde eine Einverständniserklärung eingeholt. Alle Methoden wurden in Übereinstimmung mit den relevanten Richtlinien und Vorschriften durchgeführt.

Unzutreffend.

Springer Nature bleibt neutral hinsichtlich der Zuständigkeitsansprüche in veröffentlichten Karten und institutionellen Zugehörigkeiten.

Open Access Dieser Artikel ist unter einer Creative Commons Attribution 4.0 International License lizenziert, die die Nutzung, Weitergabe, Anpassung, Verbreitung und Reproduktion in jedem Medium oder Format erlaubt, sofern Sie den/die ursprünglichen Autor(en) und die Quelle angemessen angeben. Geben Sie einen Link zur Creative Commons-Lizenz an und geben Sie an, ob Änderungen vorgenommen wurden. Die Bilder oder anderes Material Dritter in diesem Artikel sind in der Creative Commons-Lizenz des Artikels enthalten, sofern in der Quellenangabe für das Material nichts anderes angegeben ist. Wenn Material nicht in der Creative-Commons-Lizenz des Artikels enthalten ist und Ihre beabsichtigte Nutzung nicht durch gesetzliche Vorschriften zulässig ist oder über die zulässige Nutzung hinausgeht, müssen Sie die Genehmigung direkt vom Urheberrechtsinhaber einholen. Um eine Kopie dieser Lizenz anzuzeigen, besuchen Sie http://creativecommons.org/licenses/by/4.0/. Der Creative Commons Public Domain Dedication-Verzicht (http://creativecommons.org/publicdomain/zero/1.0/) gilt für die in diesem Artikel zur Verfügung gestellten Daten, sofern in einer Quellenangabe für die Daten nichts anderes angegeben ist.

Nachdrucke und Genehmigungen

Wei, S., Ge, P., Zhang, J. et al. Erforschung von Faktoren, die die Verhaltensabsicht von Medizinstudenten beeinflussen, ein 3D-Gastroskopiemodell zu verwenden, um zu lernen, wie man ein Gastroskop mit dem UTAUT-Modell bedient. BMC Med Educ 23, 554 (2023). https://doi.org/10.1186/s12909-023-04532-6

Zitat herunterladen

Eingegangen: 17. Oktober 2022

Angenommen: 23. Juli 2023

Veröffentlicht: 07. August 2023

DOI: https://doi.org/10.1186/s12909-023-04532-6

Jeder, mit dem Sie den folgenden Link teilen, kann diesen Inhalt lesen:

Leider ist für diesen Artikel derzeit kein gemeinsam nutzbarer Link verfügbar.

Bereitgestellt von der Content-Sharing-Initiative Springer Nature SharedIt