MétaCan
Menu
Retour à la cohorte
Enregistrement W3035895516 · doi:10.24908/ss.v18i2.13240

Health Applications of Gerontechnology, Privacy, and Surveillance: A Scoping Review

2020· review· en· W3035895516 sur OpenAlexaff
Lisa Carver, Debra Mackinnon

Notice bibliographique

RevueSurveillance & Society · 2020
Typereview
Langueen
DomaineSocial Sciences
ThématiqueTechnology Use by Older Adults
Établissements canadiensUniversity of CalgaryQueen's University
Organismes subventionnairesnon disponible
Mots-clésGerontechnologyInternet privacyDignityAutonomyCommodificationUnintended consequencesWearable computerHealth careBusinessPublic relationsPolitical scienceMedicineGerontologyComputer scienceLaw

Résumé

récupéré en direct d'OpenAlex

In this era of technological advances designed to assist older adults to age in place and monitor health challenges, the emphasis has been on the surveillance of older adults for their safety and the peace of mind of caregivers. This article focuses on two emerging gerontechnologies: wearables and smart home or ambient assistive living (AAL) devices. In order to explore the intersections of the ageing enterprise and surveillance capitalism, this scoping review addresses the following questions: (1) what are the existing technologies; (2) what are the privacy concerns raised by participants, researchers, and caregivers due to intended and unintended uses of these technologies? Specifically, this article synthesizes twenty relevant sources concerning the surveillance potentials of these gerontechnologies and the privacy implications for adults aged sixty-five and over. While these technologies may offer older adults greater autonomy/safety and caregivers peace of mind, their surveillance and privacy infringement potentials cannot be overlooked or cast as a trade-off. Amidst the automation of the care, collection, combination, and commodification of various forms of personal, health, and wellness metadata, the right to privacy, dignity, and ageing in place must remain central to the adoption and use of these technologies.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,004
score de la tête « metaresearch » (Gemma)0,013
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Revue systématique · Signal consensuel: aucune
GenreSignal candidat: Synthèse · Signal consensuel: Synthèse
Score de désaccord entre enseignants0,009
Score d'incertitude au seuil0,021

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0040,013
Méta-épidémiologie (sens strict)0,0010,001
Méta-épidémiologie (sens large)0,0020,002
Bibliométrie0,0090,010
Études des sciences et des technologies0,0010,001
Communication savante0,0030,003
Science ouverte0,0010,002
Intégrité de la recherche0,0020,002
Charge utile insuffisante (le modèle a refusé de juger)0,0040,001

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.

Tête enseignante Opus0,041
Tête enseignante GPT0,388
Écart entre enseignants0,347 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeRevue systématique
Domainenon disponible
GenreSynthèse

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations29
Publié2020
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueSurveillance & SocietyMême sujetTechnology Use by Older AdultsTravaux en français237 207