Assistive technologies for ageing populations in six low-income and middle-income countries: a systematic review
Notice bibliographique
Résumé
Despite the benefits derived from the use of assistive technologies (AT), some parts of the world have minimal or no access to AT. In many low-income and middle-income countries (LMIC), only 5-15% of people who require AT have access to them. Rapid demographic changes will exacerbate this situation as populations over 60 years of age, as well as functional limitations among older populations, in LMIC are expected to be higher than in high-income countries in the coming years. Given both these trends, AT are likely to be in high demand and provide many benefits to respond to challenges related to healthy and productive ageing. Multiple databases were searched for English literature. Three groups of keywords were combined: those relating to AT, ageing population and LMIC selected for this study, namely Brazil, Cambodia, Egypt, India, Turkey and Zimbabwe. These countries are expected to see the most rapid growth in the 65 and above population in the coming years. Results indicate that all countries had AT designed for older adults with existing impairment and disability, but had limited AT that are designed to prevent impairment and disability among older adults who do not currently have any disabilities. All countries have ratified the UN Convention on the Rights of Persons with Disabilities. The findings conclude that AT for ageing populations have received some attention in LMIC as attested by the limited literature results. Analysis of review findings indicate the need for a comprehensive, integrated health and social system approach to increase the current availability of AT for ageing populations in LMIC. These would entail, yet not be limited to, work on: (1) promoting initiatives for low-cost AT; (2) awareness raising and capacity building on AT; (3) bridging the gap between AT policy and practice; and (4) fostering targeted research on AT.
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 | 0,003 | 0,017 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,005 | 0,005 |
| Bibliométrie | 0,012 | 0,013 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,003 | 0,003 |
| Science ouverte | 0,002 | 0,002 |
| Intégrité de la recherche | 0,002 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,005 | 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 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 ».