Translation, Cross-Cultural Adaptation, and Psychometric Validation of the Chinese/Mandarin Cardiac Rehabilitation Barriers Scale (CRBS-C/M)
Notice bibliographique
Résumé
Objective. Cardiovascular diseases are among the leading causes of morbidity in China and around the world. Cardiac rehabilitation (CR) effectively mitigates this burden; however, utilization is low. CR barriers in China have not been well characterized; this study sought to translate, cross-culturally adapt, and psychometrically validate the CR Barriers Scale in Chinese/Mandarin (CRBS-C/M). Methods. Independent translations of the 21-item CRBS were conducted by two bilingual health professionals, followed by back-translation. A Delphi process was undertaken with five experts to consider the semantics and cross-cultural relevance of the items. Following finalization, 380 cardiac patients from 11 hospitals in Shanghai were administered a validation survey including the translated CRBS. Following exploratory and confirmatory factor analysis, internal consistency was assessed. Validity was tested through assessing the association of the CRBS-C/M with the CR Information Awareness Questionnaire. Results. Items were refined and finalized. Factor analysis of CRBS-C/M ( Kaiser Meyer Olkin = 0.867 , Bartlett’s test p < 0.001 ) revealed five factors: perceived CR need, external logistical factors, time conflicts, program and health system-level factors, and comorbidities/lack of vitality; Cronbach’s alpha ( α ) of the subscales ranged from 0.67 to 0.82. The mean total CRBS score was significantly lower in patients who participated in CR compared with those who did not, demonstrating criterion validity ( 2.35 ± 0.71 vs. 3.08 ± 0.55 ; p < 0.001 ). Construct validity was supported by the significant associations between total CRBS scores and CR awareness, sex, living situation, city size, income, diagnosis/procedure, disease severity, and several risk factors (all p < 0.05 ). Conclusions. CRBS-C/M is reliable and valid, so barriers can be identified and mitigated in Mandarin-speaking patients.
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 | 0,010 | 0,014 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 ».