Does Ageism Widen the Digital Divide? And Does It Vary by Gender?
Notice bibliographique
Résumé
Abstract Existing literature informed that ageism might affect Internet use among older adults, further widening the digital divide among age groups. However, little empirical studies have been conducted on this topic. Our study aims to investigate (1) the current use of the Internet by gender, (2) the association between ageism and Internet use, and (3) potential gender differences. A cross-sectional data drawn from the 2016 Health and Retirement Study (HRS) was analyzed. Separate multiple regression analyses were conducted by gender to determine the varying impact of ageism on Internet use. We used two types of ageism (1) internal ageism (ingroup discrimination) and (2) external ageism (discrimination from external entities) to observe each type’s contribution to Internet use. About half of the sample (52% male and 54% female) reported using the Internet “daily,” while a quarter (26% male and 25% female) responded, “never/not relevant.” No significant differences between gender were found in levels of Internet use, the rates of external ageism, or the degree of internal ageism. A higher level of ageism was associated with a lower level of Internet use. Interaction effects between age groups and ageism varied across gender: external ageism had interaction effects on men’s Internet use whereas internal ageism showed significant results for women. Our findings suggest that ageism may influence Internet use and its impact differs by gender. Gender-tailored intervention strategies should be developed to help older individuals to diminish the adverse effects of ageism on Internet use.
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 | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 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) | 0,000 | 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 ».