eHealth Literacy: In the Quest of the Contributing Factors
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
BACKGROUND: Understanding the factors that influence eHealth in a country is particularly important for health policy decision makers and the health care market, as it provides critical information to develop targeted and tailored interventions for relevant patient-consumer segments, and further suggests appropriate strategies for training the health illiterate part of the population. OBJECTIVE: The objective of the study is to assess the eHealth literacy level of Greek citizens, using the eHealth Literacy Scale (eHEALS), and further explore the factors that shape it and are associated with it. METHODS: This empirical study relies on a unique sample of 1064 citizens in Greece in the year 2013. The participants were requested to answer various questions about their ability to solve health-related issues using the Internet, and to provide information about their demographic characteristics and life-style habits. Ordered logit models were used to describe a certain citizen's likelihood of being eHealth literate. RESULTS: The demographic factors show that the probability of an individual being eHealth literate decreases by 23% (P=.001) when the individual ages and increases by 53% (P<.001) when he or she acquires higher level of education. Among the life-style variables, physical exercise appears to be strongly and positively associated with the level of eHealth literacy (P=.001). Additionally, other types of technology literacies, such as computer literacy and information literacy, further enhance the eHealth performance of citizens and have the greatest impact among all factors. CONCLUSIONS: The factors influencing eHealth literacy are complex and interdependent. However, the Internet is a disruptive factor in the relationship between health provider and health consumer. Further research is needed to examine how several factors associate with eHealth literacy, since, the latter is not only related to health care outcomes but also can be a tool for disseminating social inequalities.
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.
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 | 0,058 | 0,080 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,004 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 découle