Web-Based Health Information Seeking Among African American and Hispanic Men Living With Chronic Conditions: Cross-sectional Survey Study
Notice bibliographique
Résumé
BACKGROUND: Previous research has identified disparities in seeking and using web-based health information to inform health-related behaviors. Relatively few studies however have examined the correlations between web-based health information seeking and use based on race, gender, age, and the presence of chronic health conditions. OBJECTIVE: In this study, we identify factors associated with seeking and using web-based health information among a uniquely vulnerable and intersectional population-middle-aged and older (40 years and older) African American and Hispanic men living with one or more chronic conditions. METHODS: Survey responses were collected from a purposive sample of African American and Hispanic men using Qualtrics web-based survey management software. To qualify for inclusion in the study, respondents had to identify as African American or Hispanic men, report having at least one chronic condition, and be aged 40 years and older. A series of binary logistic regression models was created using backward elimination. Statistical significance was determined at P<.05 for all analyses. RESULTS: Web-based health information seeking among African American and Hispanic men is a function of education, the presence of multiple chronic conditions, frustration with health care providers, internet use, and the perceived reliability of web-based health information. The use of web-based health information to inform interactions with health care providers was more common among African American and Hispanic men, who rated their health as relatively good, perceived barriers to care, used technology regularly, and took more daily medications. CONCLUSIONS: Understanding the factors that influence African American and Hispanic men seeking web-based health information may help improve the care and treatment of chronic conditions. African American and Hispanic men seek web-based health information as a substitute for routine care and to inform their discussions with health care providers.
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 | 0,001 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 0,001 |
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.
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 ».