eHealth literacy issues, constructs, models, and methods for health information technology design and evaluation
Notice bibliographique
Résumé
The concept of eHealth literacy is beginning to be recognized as a being of key importance in the design and adoption of effective and efficient health information systems and applications targeted to lay people and patients. Indeed, many systems such as patient portals and personal health records have not been adopted due to a mismatch between the level of eHealth literacy demanded by a system and the level of eHealth literacy possessed by end users. The purpose of this paper is to present an overview of important concepts related to eHealth literacy, as well as how the notion of eHealth literacy can be applied to improve the design and adoption of consumer health information systems. This paper begins with describing the importance of eHealth literacy with respect to design of health applications for the general public paired with examples of consumer health information systems whose limited success and adoption has been attributed to the lack of consideration for eHealth literacy. This is followed by definitions of what eHealth literacy is and how it emerged from the related concept of health literacy. A model for conceptualizing the importance of aligning consumers’ eHealth literacy skills and the demands systems place on their skills is then described. Next, current tools for assessing consumers’ eHealth literacy levels are outlined, followed by an approach to systematically incorporating eHealth literacy in the deriving requirements for new systems is presented. Finally, a discussion of evolving approaches for incorporating eHealth literacy into usability engineering methods is presented.
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) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 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 ».