Identifying Consumers Who Search for Long-Term Care on the Web: Latent Class Analysis
Notice bibliographique
Résumé
BACKGROUND: Because the internet has become a primary means of communication in the long-term care (LTC) and health care industry, an elevated understanding of market segmentation among LTC consumers is an indispensable step to responding to the informational needs of consumers. OBJECTIVE: This exploratory study was designed to identify underlying market segments of the LTC consumers who seek Web-based information. METHODS: Data on US adult internet users (n=2018) were derived from 2010 Pew Internet and America Life Project. Latent class analysis was employed to identify underlying market segments of LTC Web-based information seekers. RESULTS: Web-based LTC information seekers were classified into the following 2 subgroups: heavy and light Web-based information seekers. Overall, 1 in 4 heavy Web-based information seekers used the internet for LTC information, whereas only 2% of the light information seekers did so. The heavy information seekers were also significantly more likely than light users to search the internet for all other health information, such as a specific disease and treatment and medical facilities. The heavy Web-based information seekers were more likely to be younger, female, highly educated, chronic disease patients, caregivers, and frequent internet users in general than the light Web-based information seekers. CONCLUSIONS: To effectively communicate with their consumers, providers who target Web-based LTC information seekers can more carefully align their informational offerings with the specific needs of each subsegment of LTC markets.
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 | 0,002 | 0,000 |
| 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 | 0,002 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».