Mobilizing mHealth Data Collection in Older Adults: Challenges and Opportunities
Notice bibliographique
Résumé
Worldwide, there is an unprecedented and ongoing expansion of both the proportion of older adults in society and innovations in digital technology. This rapidly increasing number of older adults is placing unprecedented demands on health care systems, warranting the development of new solutions. Although advancements in smart devices and wearables present novel methods for monitoring and improving the health of aging populations, older adults are currently the least likely age group to engage with such technologies. In this commentary, we critically examine the potential for technology-driven data collection and analysis mechanisms to improve our capacity to research, understand, and address the implications of an aging population. Alongside unprecedented opportunities to harness these technologies, there are equally unprecedented challenges. Notably, older adults may experience the first-level digital divide, that is, lack of access to technologies, and/or the second-level digital divide, that is, lack of use/skill, alongside issues with data input and analysis. To harness the benefits of these innovative approaches, we must first engage older adults in a meaningful manner and adjust the framework of smart devices to accommodate the unique physiological and psychological characteristics of the aging populace. Through an informed approach to the development of technologies with older adults, the field can leverage innovation to increase the quality and quantity of life for the expanding population of older adults.
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 | 0,120 | 0,282 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,002 |
| Bibliométrie | 0,003 | 0,003 |
| Études des sciences et des technologies | 0,005 | 0,012 |
| Communication savante | 0,011 | 0,017 |
| Science ouverte | 0,005 | 0,008 |
| Intégrité de la recherche | 0,013 | 0,011 |
| 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 ».