ADD A LANGUAGE! ADD A PICTURE!—IMPROVING PRESCRIPTION MEDICATION LABELS FOR ELDERLY SINGAPOREANS
Notice bibliographique
Résumé
In Singapore, medication labels placed by clinics on packets/bottles of dispensed prescription medications are primarily in English. This poses a challenge for elderly Singaporeans (≥65 years) as 61% of them cannot read in English. However, nearly half of them can read in ≥1 of the other three official languages (Chinese/Malay/Tamil), thus suggesting a potential strategy, i.e., adding another language, for improving prescription medication labels. Pictograms, shown to be helpful for low-literacy populations elsewhere, are another potential strategy. We assessed the utility of these strategies, i.e., bilingual labels and/or labels with pictograms, in improving the understanding of medication labels among elderly Singaporeans. Respondents were randomized to 4 different label types - (A) English-text (n=357); (B) English-text with pictograms (n=357); (C) Bilingual-text (n=353); and (D) Bilingual-text with pictograms (n=350) - for the same three medications, and questioned on their understanding of the label content. While 65% of those randomized to Type A reported difficulty reading the labels, corresponding proportions were significantly lower with the addition of pictograms and/or another language (57%, 32%, 37%, for types B, C, D, respectively). However, even among those able to read English, 12%, 14%, 10% and 9%, respectively across each label type still reported difficulty. Use of bilingual medication labels is a promising strategy for improving prescription medication labels for elderly Singaporeans. However, careful assessment of the label design and content and of non-label-related factors that may limit the elderly’s understanding is warranted. Our findings can support future empirical studies evaluating real-world prescription medication labels for elderly Singaporeans.
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 | 0,001 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,006 | 0,001 |
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 ».