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 distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,002 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,002 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 tête enseignante, 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 ».