Smartphone Medical Apps Use by Health Professionals: Is Gender a Confounding Factor?
Notice bibliographique
Résumé
The main aim of the study was to establish, whether the gender of a health professional affects the use of smartphone medical apps. We studied the basic patterns of smartphone use in doctors with the largest addiction clinic in Moscow, engaged in in-patient treatment, to access possible gender-determined “digital divide”, evaluate the current use of medical applications, and eventual intentions to use a decision-support app. We performed a cross-sectional study of a non-probability sample of medical doctors using a non-standardized anonymous self-questionnaire, covering 3 domains: socio-demographic and professional characteristics; present use of a mobile device; attitudes to the use of mobile medical apps. The study covered 212 of the 328 staff members, 56% men and 44% women. The largest age group was 41–50 years old (32.1%), followed by 51–60 (25%), 31–40 (23.6%), over 61 (10.8%) and 20-30 (8.5%). 77.8% of respondents use mobile Internet in the office to search for professionally relevant information. 86.5% would like to use mobile applications that help in their professional activities. We failed to confirm the hypothesis about possible gender-related features in the use of mobile devices in doctors. The dedicated mobile system for supporting clinical decision-making in addiction hospitals may be in-demand. The level of doctors’ use of mobile devices and mobile applications shows the absence of gender barriers to the utilization of such systems. In the future, we recommend studying other socio-demographic and occupational predictors affecting the use of professional mobile applications by health professionals of various specialties and the acceptability of the gaming approach in the field.
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 | 0,017 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,002 |
| Études des sciences et des technologies | 0,002 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».