The environmental factors that influence technology adoption for older adults with age-related vision loss
Notice bibliographique
Résumé
Introduction With the increasing proportion of older adults aging with vision loss, low-vision assistive devices can help to support occupational engagement; however, such devices are grossly underused among this population. The overarching purpose of this project was to examine the environmental factors that influence technology adoption for older adults with age-related vision loss. Methods A one-day workshop, which utilized a variety of hands-on methods including Show & Tell, Technology Interaction, and an “App” Assessment activity, was conducted. A total of 19 participants attended the workshop, including 10 older adults with age-related vision loss, six caregivers, one healthcare provider, and two technology industry professionals. Results A total of four themes emerged, including: (1) making life harder; (2) relying on support networks; (3) factoring in the pragmatics; and (4) not me, not yet. These themes illustrate the various ways that environmental factors, including physical, social, cultural, and institutional/political factors, influence decision-making regarding technology adoption by older adults with age-related vision loss. Conclusion This paper demonstrates several environmental factors that influence low-vision assistive device adoption among older adults with age-related vision loss. With their holistic view of clients, including an appreciation for environmental influences, occupational therapists are well positioned to help identify those environmental barriers limiting low-vision assistive device adoption and use.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| 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) | 0,000 | 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 ».