The Association between Health Beliefs and Fall-Related Behaviors and Its Implication for Fall Intervention among Chinese Elderly
Notice bibliographique
Résumé
To apply the Health Belief Model (HBM) to fall prevention of the elderly and estimate fall health beliefs and their relationships with fall-related behaviors, a citywide cross-sectional study was conducted among people aged 60 years or over in 13 out of 16 districts in Shanghai, China, in September 2018. A total of 5833 participants were investigated. Of this, 43.4% were male; 48.8% were aged 60–69; 18.1% were uneducated; and 50.3% were living in urban areas. People who were older, less educated, living in rural areas generally had lower scores in the 7 HBM dimensions and also had lower proportions of fall risk-reduction behaviors, except that the less educated elderly were more likely to participate in exercise and training and the rural elderly were more likely to check house environment and participate in exercise and training (p < 0.001). The HBM dimensions were generally positively correlated with the risk-reduction behaviors except that “perceived severity” was negatively correlated with four risk-reduction behaviors and behavior number, “cues to action” was negatively correlated with purchasing shoes, and “perceived benefits” was negatively correlated with participating in exercise activities and fall prevention training (p < 0.05). When HBM is applied in the field of fall prevention, the interpretation of the results of each dimension has its characteristics in the fields of injury research. Fall prevention strategies should focus on improving the health beliefs and behaviors in those who were older, less educated and living in rural areas, implementing different levels of fall prevention activities to meet different needs, improving the accessibility and applicability of related resources, and raising the organizational level of related fall prevention activities.
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 | 0,001 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| 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 ».