Using Mobile Technology to Provide Personalized Reminiscence for People Living With Dementia and Their Carers: Appraisal of Outcomes From a Quasi-Experimental Study
Notice bibliographique
Résumé
BACKGROUND: Dementia is an international research priority. Reminiscence is an intervention that prompts memories and has been widely used as a therapeutic approach for people living with dementia. We developed a novel iPad app to support home-based personalized reminiscence. It is crucial that technology-enabled reminiscence interventions are appraised. OBJECTIVE: We sought to measure the effect of technology-enabled reminiscence on mutuality (defined as the level of "closeness" between an adult living with dementia and their carer), quality of carer and patient relationship, and subjective well-being. METHODS: A 19-week personalized reminiscence intervention facilitated by a program of training and a bespoke iPad app was delivered to people living with dementia and their family carers at their own homes. Participants (N=60) were recruited in dyads from a cognitive rehabilitation team affiliated with a large UK health care organization. Each dyad comprised a person living with early to moderate dementia and his or her family carer. Outcome measurement data were collected at baseline, midpoint, and intervention closure. RESULTS: Participants living with dementia attained statistically significant increases in mutuality, quality of carer and patient relationship, and subjective well-being (P<.001 for all 3) from baseline to endpoint. Carers attained nonsignificant increases in mutuality and quality of carer and patient relationship and a nonsignificant decrease in subjective well-being. CONCLUSIONS: Our results indicate that individual-specific reminiscence supported by an iPad app may be efficient in the context of early to moderate dementia. A robust randomized controlled trial of technology-enabled personalized reminiscence is warranted.
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 | 0,024 | 0,026 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,002 | 0,003 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,002 | 0,003 |
| Communication savante | 0,001 | 0,002 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 ».