The Digital Divide Amongst High-Need High-Risk Veterans
Notice bibliographique
Résumé
Abstract High-need high-risk (HNHR) veterans are medically complex and at the highest risk of hospitalization and long-term institutionalization. Technology can mitigate challenges these veterans have in accessing healthcare. Willingness to use technology as well as access and ability to use technology were assessed in this study. At the time of the survey, 2543 Miami VAHS veterans were listed as HNHR. 634 veterans ultimately completed the questionnaire, and 602 answered the “willingness to use video-visits” question. Of the 602 respondents, 327 (54.3%) reported they were willing for video-visits with the VA, while 275 (45.6%) were not. Those who were willing were significantly younger (P<0.001), with higher educational qualifications (P=0.002), and more health literate than those not willing (P<0.001). They were more also capable of using the Internet, more likely to use email and be enrolled in the VA’s patient portal, My HealtheVet (P<0.001). However, of the veterans who were willing, 248 (75.8%) had a device with video-capable technology. Those with video-capable technology were younger (P=0.004), more health literate (P=0.01), and less likely to be Black or African American (P=0.007). They were more capable of using the Internet, more likely to use email, and be enrolled in My HealtheVet than those without (P<0.001). Half of the respondents were willing for video-visits but a quarter of those willing lacked requisite technology, thereby making only about 41.2% of the respondents willing and video-capable. To minimize the digital divide, especially during the ongoing COVID-19 pandemic, targeted measures need to address these disparities in this vulnerable population.
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 | 0,004 |
| 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 | 0,002 | 0,001 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,008 | 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 ».