Investigating the Adoption of Mobile Health Services by Elderly Users: Trust Transfer Model and Survey Study
Notice bibliographique
Résumé
BACKGROUND: Although elderly users comprise a major user group in the field of mobile health (mHealth) services, their adoption rate of such services is relatively low compared with their use of traditional health services. Increasing the adoption rate of mHealth services among elderly users is beneficial to the aging process. OBJECTIVE: This study aimed to examine the determinants of mHealth service use intentions using a trust transfer model among elderly users facing declining physiological conditions and lacking support from hospitals. METHODS: A survey comprising 395 users aged 60 years and above was conducted in China to validate our research model and hypotheses. RESULTS: The results reveal that (1) trust in mHealth services positively influences use intentions, (2) trust in offline health services positively influences trust in mHealth services, (3) declining physiological conditions strengthen the effects of trust in offline health services regarding trust in mHealth services, (4) support from hospitals weakens the effects of trust in mHealth services on use intentions, and (5) the relationship between trust in offline health services and intention to use mHealth services is partially mediated by trust in mHealth services. The independent variables and moderators collectively explain a 48.3% variance in the use intention of mHealth services. CONCLUSIONS: We conclude that the trust transfer theory is useful in explaining the development of initial trust in mHealth services. In addition, declining physiological conditions and support from hospitals are important factors for investigating the adoption of mHealth services among elderly users.
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 | 0,006 | 0,016 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| 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) | 0,002 | 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 ».