Determining Factors Affecting Nurses’ Acceptance of a Care Plan System Using a Modified Technology Acceptance Model 3: Structural Equation Model With Cross-Sectional Data
Notice bibliographique
Résumé
BACKGROUND: Health information technology is used in nursing practice worldwide, and holistic patient care planning can serve as a guide for nursing practice to ensure quality in patient-centered care. However, few studies have thoroughly analyzed users' acceptance of care plan systems to establish individual plans. OBJECTIVE: Based on the technology acceptance model 3 (TAM3), a user technology acceptance model was established to explore what determines the acceptance of care plan systems by users in clinical settings. METHODS: Cross-sectional quantitative data were obtained from 222 nurses at eight hospitals affiliated with public organizations in Taiwan. Using the modified TAM3, the collected data were employed to analyze the determinants of user acceptance of a care plan system through structural equation modeling (SEM). We also employed moderated multiple regression analysis and partial least squares-SEM to test the moderating effects. RESULTS: We verified all significant effects from the use of a care plan system among bivariate patterns in the modified TAM3, except for moderating effects. Our results revealed that the determinants of perceived usefulness and perceived ease of use significantly influenced perceived usefulness and perceived ease of use, respectively. The results also indicated that nurses' perceptions of subjective norm (path coefficient=.25, P<.001), perceived ease of use (path coefficient=.32, P<.001), and perceived usefulness (path coefficient=.31, P<.001) had significantly positive effects on their behavioral intention to use the care plan system, accounting for 69% of the total explained variance. CONCLUSIONS: By exploring nurses' acceptance of a care plan system, this study revealed relationships among the variables in TAM3. Our results confirm that the modified TAM3 is an innovative assessment instrument that can help managers understand nurses' acceptance of health information technology in nursing practice to enhance the adoption of health information 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 | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,002 |
| 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 ».