Using an Extended Technology Acceptance Model to Understand the Factors Influencing Telehealth Utilization After Flattening the COVID-19 Curve in South Korea: Cross-sectional Survey Study
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
BACKGROUND: Although telehealth is considered a key component in combating the worldwide crisis caused by COVID-19, the factors that influence its acceptance by the general population after the flattening of the COVID-19 curve remain unclear. OBJECTIVE: We aimed to identify factors affecting telehealth acceptance, including anxiety related to COVID-19, after the initial rapid spread of the disease in South Korea. METHODS: We proposed an extended technology acceptance model (TAM) and performed a cross-sectional survey of individuals aged ≥30 years. In total, 471 usable responses were collected. Confirmatory factor analysis was used to examine the validity of measurements, and the partial least squares (PLS) method was used to investigate factors influencing telehealth acceptance and the impacts of COVID-19. RESULTS: PLS analysis showed that increased accessibility, enhanced care, and ease of telehealth use had positive effects on its perceived usefulness (P=.002, P<.001, and P<.001, respectively). Furthermore, perceived usefulness, ease, and privacy/discomfort significantly impacted the acceptance of telehealth (P<.001, P<.001, and P<.001, respectively). However, anxiety toward COVID-19 was not associated with telehealth acceptance (P=.112), and this insignificant relationship was consistent in the cluster (n=216, 46%) of respondents with chronic diseases (P=.185). CONCLUSIONS: Increased accessibility, enhanced care, usefulness, ease of use, and privacy/discomfort are decisive variables affecting telehealth acceptance in the Korean general population, whereas anxiety about COVID-19 is not. This study may lead to a tailored promotion of telehealth after the pandemic subsides.
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.
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 | 0,002 |
| 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 | 0,001 |
| 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 découle