Drivers of Mobile Health Acceptance and Use From the Patient Perspective: Survey Study and Quantitative Model Development
Notice bibliographique
Résumé
BACKGROUND: Mobile health (mHealth) has potential to play a significant role in realizing a reversal of the current paradigm in health care toward a more patient-centric and more collaborative system to improve the outcomes obtained along with the quality and sustainability of health care systems. OBJECTIVE: The aim of this study was to explore and understand individual mHealth acceptance drivers between two groups of users: those with chronic health conditions and those without. METHODS: The extended unified theory of acceptance and usage of technology (UTAUT2) was enhanced with a new health-related framework: behavior intention to recommend and new mediation effects. We applied partial least squares (PLS) causal modeling to test the research model. RESULTS: We obtained 322 valid responses through an online questionnaire. The drivers of behavior intention with statistical significance were performance expectancy (β=.29, P<.001), habit (β=.39, P<.001), and personal empowerment (β=.18, P=.01). The precursors of use behavior were habit (β= .47, P<.001) and personal empowerment (β=.17, P=.01). Behavior intention to recommend was significantly influenced by behavior intention (β=.58, P<.001) and personal empowerment (β=.26, P<.001). The model explained 66% of the total variance in behavior intention, 54% of the variance in use behavior, and 70% of the variance in behavior intention to recommend. CONCLUSIONS: Our study demonstrates a significant role of personal empowerment, as a second-order construct, in the mHealth acceptance context. The presence of a chronic health condition predicates an impact on acceptance of this technology.
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 | 0,014 | 0,032 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,002 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,002 | 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) | 0,004 | 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 ».