Informal Caregivers’ Use of Internet-Based Health Resources: An Analysis of the Health Information National Trends Survey
Notice bibliographique
Résumé
BACKGROUND: Informal caregivers express strong interest in technology innovations to help them in their caregiving role; however, divides across sociodemographic characteristics in internet and technology access may preclude the most vulnerable caregivers from accessing such resources. OBJECTIVE: This study aims to examine caregivers' internet use, both generally and for seeking health-related information, and whether usage differs as a function of caregivers' characteristics. METHODS: Data were analyzed from the Health Information National Trends Survey 5 Cycle 1. Participants were included in analyses if they self-identified as providing uncompensated care to a close individual. Caregivers reported internet use factors, age, education, rurality, general health, distress, and objective caregiving burden. We used chi-square tests of independence with jackknife variance estimation to compare whether internet use factors differed by caregivers' characteristics. RESULTS: A total of 77.5% (303/391) caregivers surveyed reported ever using the internet. Of internet users, 88.1% (267/303) accessed from a home computer and 83.2% (252/303) from a mobile device. Most caregivers accessed health information for themselves (286/391, 73.1%) or others (264/391, 67.5%); fewer communicated with a doctor over the Web (148/391, 37.9%) or had a wellness app (171/391, 43.7%). Caregivers reporting younger age, more education, and good health were more likely to endorse any of these activities. Furthermore, two-thirds of caregivers (258/391, 66.0%) endorsed trust in health information from the internet. CONCLUSIONS: Computers and mobile devices are practical platforms for disseminating caregiving-related information and supportive services to informal caregivers; these modalities may, however, have a more limited reach to caregivers who are older, have less education, and are in poorer health.
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 | 0,002 | 0,005 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,002 | 0,003 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| 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 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 ».