eHealth Literacy and Beliefs About Medicines Among Taiwanese College Students: Cross-sectional Study
Notice bibliographique
Résumé
BACKGROUND: Good eHealth literacy and correct beliefs about medicines are beneficial for making good health care decisions and may further influence an individual's quality of life. However, few studies have discussed these two factors simultaneously. Moreover, gender differences are associated with health literacy and beliefs about medicines. Therefore, it is important to examine the multiple relationships between college students' eHealth literacy and beliefs about medicines, as well as gender differences. OBJECTIVE: This study aims to (1) examine the multiple relationships between eHealth literacy and beliefs about medicines and (2) analyze gender differences in eHealth literacy and beliefs about medicines with Taiwanese college students. METHODS: We used a paper-and-pencil questionnaire that included age, gender, 3-level eHealth literacy, and beliefs about medicines to collect data. In total, 475 data points were obtained and analyzed through independent t tests and canonical correlation analyses. RESULTS: =-2.10; P=.04) showed that women had lower functional eHealth literacy and more specific concerns about medicines than men. Canonical correlation analyses indicated that the first and second canonical correlation coefficients between eHealth literacy and beliefs about medicines reached a significant level, implying that a multivariate relationship indeed existed. CONCLUSIONS: These findings reveal that women in Taiwan have lower functional eHealth literacy and stronger concerns about medicines than men. In addition, students with higher eHealth literacy have more positive perceptions of and beliefs about medicines.
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 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 | 0,007 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,002 | 0,000 |
| Communication savante | 0,000 | 0,003 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,002 |
| 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 tête enseignante, 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 ».