Identifying adoption and usability factors of locator devices for persons living with dementia
Notice bibliographique
Résumé
A growing number of Canadians live with dementia. Strategies to reduce the risks of getting lost include physical barriers, restraints and medications. However, these strategies can restrict one's participation in meaningful activities and reduce quality of life. Locator devices can be used to manage safety risks while also supporting engagement and independence among persons living with dementia. As more locator devices become available on the market, adoption rates would be affected by certain factors. There is no clear, standardized approach to identify the factors that have an influence on the acceptance and usability of locator devices for persons with dementia and their care partners. This project aimed to identify factors related to acceptance and usability of locator devices that are important to individuals with dementia, their care partners, service providers and technology developers. Qualitative description and conventional content analysis guided our approach. We conducted 5 focus groups with 21 participants. Trustworthiness strategies included multiple data sources, data verification for accuracy and peer debrief. Five overarching factors emerged as critical aspects in the acceptance and usability of locator devices. These factors were inclusivity, simplicity, features, physical properties and ethics. Participants thought that locator devices do not adequately consider privacy and stigma. Therefore, the acceptance and usability of locator devices could be enhanced if privacy and stigma are addressed. The factors identified will inform the creation of an acceptance and usability scale for locator devices used by persons living with dementia, their care partners and service 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 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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 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) | 0,000 | 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 ».