MétaCan
Menu
Retour à la cohorte
Enregistrement W4214745870 · doi:10.1080/01924788.2022.2044975

Social Media Usage among Older Adults: Insights from Nigeria

2022· article· en· W4214745870 sur OpenAlexaff
Oluwagbemiga Oyinlola

Notice bibliographique

RevueActivities Adaptation & Aging · 2022
Typearticle
Langueen
DomaineSocial Sciences
ThématiqueTechnology Use by Older Adults
Établissements canadiensMcGill University
Organismes subventionnairesnon disponible
Mots-clésSocial mediaSocial connectednessThematic analysisNonprobability samplingSnowball samplingPsychologyContext (archaeology)Qualitative researchFunctional illiteracySocial exclusionGerontologySociologySocial psychologyMedicinePolitical sciencePopulationSocial scienceGeographyDemography

Résumé

récupéré en direct d'OpenAlex

There has been very little research and policy regarding the inclusion of older adults in new technological applications in Nigeria and other sub-Saharan African region. The study examined the use of social media among older adults in Ibadan, South-West, Nigeria using a semi-structured interview. A qualitative explorative study was set-up, involving six consenting members of the Nigerian Union of Pensioners (NUP), Ibadan branch whose age is above 55 years. Purposive sampling technique was used to include the participants who have access to a social media-enabled phone. A semi-structured was conducted to obtain information about the social media usage among the older adults. Thematic analysis was used to analyze interview transcripts. The mean age of the older adults is 58.5. Two themes emerged from the interview session: experience and barriers to social media use. Participants had an exciting experience using social media to maintain social connectedness and barriers associated with privacy, poor access to the internet, illiteracy, and frustration. The study concludes that social media use is essential to sustaining social connectedness among older adults. Desire to use social media among the older adults is embedded in their social, personal, and cognitive context. The study advocates for inclusive digital programming for older adults.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,001
score de la tête « metaresearch » (Gemma)0,001
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,011
Score d'incertitude au seuil0,022

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0010,001
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0010,001
Études des sciences et des technologies0,0040,001
Communication savante0,0020,002
Science ouverte0,0000,002
Intégrité de la recherche0,0010,001
Charge utile insuffisante (le modèle a refusé de juger)0,0010,000

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.

Tête enseignante Opus0,017
Tête enseignante GPT0,254
Écart entre enseignants0,236 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeObservationnel
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations17
Publié2022
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueActivities Adaptation & AgingMême sujetTechnology Use by Older AdultsTravaux en français237 207