Construct Validity of the eHealth Literacy Scale (eHEALS) Among Two Adult Populations: A Rasch Analysis
Notice bibliographique
Résumé
BACKGROUND: The Internet has become a ubiquitous venue for information seeking, especially for health information. Public health practitioners have noticed the promise and potential of the Internet, however, little is known about individuals' skills of their eHealth literacy. The eHealth Literacy Scale, eHEALS, was designed to measure perceptions of individuals' eHealth literacy skills. OBJECTIVE: The objective of the study was to examine the psychometric validity and reliability of the eHEALS with two adult populations using the Rasch Model. METHODS: A college-aged sample and an Internet-based sample (Amazon's MTurk) were recruited to complete the eHEALS, demographic questions, and a health literacy scale. Using WINSTEPS and SPSS, unidimensionality, item fit, rating scale, item hierarchy, person ability-item match, and reliability were analyzed, compared, and contrasted against each sample and to other samples found in the literature. RESULTS: An exploratory factor analysis supported unidimensionality in both samples. More than 90% of respondents from both samples fit the model. No items were outright misfitting. Both samples separated into three distinct groups. CONCLUSIONS: Based on the results, the eHEALS is a reliable and consistent measurement tool for a college sample and an Internet-based sample. As these individuals are most likely to use the Internet as a health resource, it is necessary to learn and know their skills versus perceiving that they can critically and successfully navigate the Internet. Further analyses are necessary to ensure that the eHEALS can serve as a standard eHealth literacy measure for public health.
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 | 0,007 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,002 |
| 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 ».