Impact of Social Media on Health-Related Outcomes Among Older Adults in Singapore: Qualitative Study
Notice bibliographique
Résumé
BACKGROUND: The worldwide spread of digitalization has led to the harnessing of technology to improve health outcomes. Paying attention to older adults' social needs via social media is one way to promote healthy aging. Although 56% of older adults are smartphone users, little is known about their use patterns of social media. OBJECTIVE: This exploratory study aims to determine the experiences of social media apps' use among older adults in Singapore and understand their perceptions of its impact on health-related outcomes. METHODS: This study used a qualitative research design with an interpretative approach. Using maximum variation purposive sampling, normal aging older adults (N=16) who were aged between 60 and 80 years and experienced in the use of internet-enabled technology were recruited from an existing community study. Semistructured, in-depth interviews were conducted. Employing a thematic analysis, interviews were transcribed verbatim and analyzed for codes inductively. RESULTS: The following themes and subthemes were identified as key moderators of older adults' experiences on social media apps: (1) personal attitudes: participants were encouraged to use social media due to the increased accessibility, which enabled the ease of contact, but perceptions that the quality of interactions was compromised and its associated risks reduced their use; and (2) social influences: the desire to bond with co-users and the availability of support increased use. In addition, use of social media apps was perceived to positively impact health through its ability to keep older adults cognitively engaged, improve health communication, and increase social connectedness. However, opinions remained mixed on older adults' vulnerability to social media addiction. CONCLUSIONS: Personal and social contexts determine older adults' social media use. This study's findings provide practical insights into how social media can be deployed to improve health-related outcomes in older adults.
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 enseignantsNi 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.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,004 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,003 | 0,002 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,003 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 source (Gemma direct ou Codex distillé), 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 ».