Intergenerational connections through technology: Insights from the Technology Use in Later Life multi-site study
Notice bibliographique
Résumé
Abstract With enhanced challenges to maintain social connections especially during times of social distancing due to the COVID-19 pandemic, the need for technology solutions grow. Technologies have become interwoven into the daily lives for many older adults. The Technology Use in Later Life (TILL) study investigated how the perceptions and use of technology both can foster new and leverage existing intergenerational relationships. Through a mixed methods study engaging older adults aged 70 years of age and greater across rural and urban sites in Canada and the UK (N=37), participants described how the interconnection between technology and intergenerational relationships was an integral component to social connectedness with others. Through a qualitative descriptive approach, it was noted that older adults leveraged intergenerational relationships with family and friends to adjust to new technologies and to remain connected to adult children and grandchildren especially when there is high geographic separation between them. Especially during times of COVID-19, younger family members can play an important role to introduce and teach older adults how to use, technologies such as digital devices, computers, and social networking sites. Participants emphasized the benefits of intergenerational connections to adopt and use technology in later life noting flexibility and willingness to overcome barriers to technology adoption and remain connected across the generations. The adoption and uptake of technologies may continue as viable options during times of social distancing to support older persons to remain independent, age in place, in both age-friendly cities and across rural geographies during and post COVID-19.
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 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,008 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| 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 ».