Formative evaluation to assess communication technology access and health communication preferences of Alaska Native people
Notice bibliographique
Résumé
Objective:Information technology can improve the quality, safety, and efficiency of healthcare delivery by improving provider and patient access to health information. We conducted a nonrandomized, cross-sectional, self-report survey to determine whether Alaska Native and American Indian (AN/AI) people have access to the health communication technologies available through a patient-centered medical home. Methods: In 2011, we administered a self-report survey in an urban, tribally owned and operated primary care center serving AN/AI adults. Patients in the center’s waiting rooms completed the survey on paper; center staff completed it electronically. Results: Approximately 98% (n = 654) of respondents reported computer access, 97% (n = 650) email access, and 94% (n = 631) mobile phone use. Among mobile phone users, 60% had Internet access through their phones. Rates of computer access (p = .011) and email use (p = .005) were higher among women than men, but we found no significant gender difference in mobile phone access to the Internet or text messaging. Respondents in the oldest age category (65–80 years of age) were significantly less likely to anticipate using the Internet to schedule appointments, refill medications, or communicate with their health care providers (all p < .001). Conclusion:Information on use of health communication technologies enables administrators to deploy these technologies more efficiently to address health concerns in AN/AI communities. Our results will drive future research on health communication for chronic disease screening and health management.
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 distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,011 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
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 tête enseignante, 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 ».