A survey of technology literacy and use in cancer survivors from the Alberta Cancer Exercise program
Notice bibliographique
Résumé
BACKGROUND: Supervised physical activity interventions can improve cancer survivor quality of life. However, they are resource intensive and may not support physical activity maintenance. Therefore, most cancer survivors remain inactive. Electronic health is a promising tool to support physical activity maintenance, yet technology-based physical activity interventions in oncology have shown mixed effectiveness. We surveyed cancer participants in the Alberta Cancer Exercise program to better understand their experience with technology. METHODS: Alberta Cancer Exercise participants were invited to complete a survey on technology literacy, usage, and perceived usefulness. Summary statistics were calculated for all variables. Multiple regression examined demographic prediction of technology usage and literacy. RESULTS: = 585/627). Respondents were 60.6 ± 11.0 years old, 96.2% Caucasian, and of high socioeconomic status (83.3% with post-secondary education, 65.5% with income >$60,000). While electronic health literacy was low (mean 1.73 ± 0.73/4), computer (87.6%) and smartphone (87.5%) use was widespread, with 94.6% of smartphone users reporting daily use. One in two respondents used mobile applications or wearable trackers for physical activity, which were perceived as useful by >80% of users. Age and income were significant predictors of technology use and literacy. CONCLUSIONS: Technology is part of the lives of cancer survivors who engaged in a physical activity program, with mobile devices perceived as useful to support physical activity. However, the present findings highlight a need to increase electronic health literacy via education and tailoring of digital tools. These survey findings are being used to build our patient-centered, technology-supported physical activity interventions.
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 | 0,000 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| 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 ».