Approaches to Understanding the Impact of Technologies for Aging in Place: A Mini-Review
Notice bibliographique
Résumé
BACKGROUND: There are many approaches to evaluating aging-in-place technologies. While there are standard measures for outcomes such as health and caregiver burden, which lend themselves to statistical analysis, researchers have a harder time identifying why a particular information and communication technology (ICT) intervention worked (or not). OBJECTIVE: The purpose of this paper is to review a variety of methods that can help answer these deeper questions of when people will utilize an ICT for aging in place, how they use it, and most importantly why. This review is sensitive to the special context of aging in place, which necessitates an evaluation that can explore the nuances of the experiences of older adults and their caregivers with the technology in order to fully understand the potential impact of ICTs to support aging in place. METHODS: The authors searched both health (PubMed) and technology (ACM Digital Library) venues, reviewing 115 relevant papers that had an emphasis on understanding the use of aging-in-place technologies. This mini-review highlights a number of popular methods used in both the health and technology fields, including qualitative methods (e.g. interviews, focus groups, contextual observations, diaries, and cultural probes) and quantitative methods (e.g. surveys, the experience sampling method, and technology logs). RESULTS: This review highlights that a single evaluation method often is not adequate for understanding why people adopt ICTs for aging in place. The review ends with two examples of multifaceted evaluations attempting to get at these deeper issues. CONCLUSION: There is no proscriptive formula for evaluating the intricate nuances of technology acceptance and use in the aging-in-place context. Researchers should carefully examine a wide range of evaluation techniques to select those that will provide the richest insights for their particular project.
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 | 0,010 | 0,038 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,004 | 0,004 |
| Bibliométrie | 0,015 | 0,011 |
| Études des sciences et des technologies | 0,001 | 0,002 |
| Communication savante | 0,005 | 0,006 |
| Science ouverte | 0,003 | 0,003 |
| Intégrité de la recherche | 0,003 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,005 | 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 ».