Using the Technology Acceptance Model to Characterize Barriers and Opportunities of Telemedicine in Rural Populations: Survey and Interview Study
Notice bibliographique
Résumé
Background Health care access issues have long plagued rural Americans. One approach to alleviating the challenges and poor health outcomes for rural individuals is through the use of telemedicine, sometimes called telehealth. It is important to understand factors that may be related to telemedicine adoption or nonadoption, particularly in underserved rural settings. Objective This pilot study examines telemedicine perceptions among rural, underserved populations using the Technology Acceptance Model, which serves as a framework to explore the adoption of telemedicine services by those who have used it. This study also explores the differences between user and nonuser perceptions of telemedicine. Methods Paper surveys and phone interviews were conducted in rural Northern Lower Michigan. Results Perceived usefulness and perceived ease of use explained 91% of the variability in attitude toward telemedicine (R2=0.91; F1,15=73.406; P<.001). Ease of use was a significant predictor (mean 2.36, SD 1.20; P<.001), but usefulness (mean 3.16, SD 0.81; P=.20) was not. Furthermore, there were significant differences in individual perception of telemedicine between users and nonusers. For example, nonusers believed they would receive better care in person (users: mean 3.30, SD 1.22; nonusers: mean 1.91, SD 1.14; F1,32=10.126; P=.003). The quantitative findings were reinforced by the qualitative results from the phone interviews. Conclusions Overall, the Technology Acceptance Model is an appropriate model to understand the attitudes toward telemedicine that may lead to its adoption by rural Americans.
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 | 0,004 | 0,000 |
| 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 | 0,000 | 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 ».