Internet access is a necessity: a latent class analysis of COVID-19 related challenges and the role of technology use among rural community residents
Notice bibliographique
Résumé
BACKGROUND: Rural and remote communities faced unique access challenges to essential services such as healthcare and highspeed infrastructure pre-COVID, which have been amplified by the pandemic. This study examined patterns of COVID-related challenges and the use of technology among rural-living individuals during the first wave of the COVID-19 pandemic. METHODS: A sample of 279 rural residents completed an online survey about the impact of COVID-related challenges and the role of technology use. Latent class analysis was used to generate subgroups reflecting the patterns of COVID-related challenges. Differences in group membership were examined based on age, gender, education, race/ethnicity, and living situation. Finally, thematic analysis of open-ended qualitative responses was conducted to further contextualize the challenges experienced by rural-living residents. RESULTS: Four distinct COVID challenge impact subgroups were identified: 1) Social challenges (35%), 2) Social and Health challenges (31%), 3) Social and Financial challenges (14%), and 4) Social, Health, Financial, and Daily Living challenges (19%). Older adults were more likely to be in the Social challenges or Social and Health challenges groups as compared to young adults who were more likely to be in the Social, Health, Financial, and Daily Living challenges group. Additionally, although participants were using technology more frequently during the COVID-19 pandemic to address challenges, they were also reporting issues with quality and connectivity as a significant barrier. CONCLUSIONS: These analyses found four different patterns of impact related to social, health, financial, and daily living challenges in the context of COVID. Social needs were evident across the four groups; however, we also found nearly 1 in 5 rural-living individuals were impacted by an array of challenges. Access to reliable internet and devices has the potential to support individuals to manage these challenges.
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 | 0,005 | 0,011 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,002 | 0,001 |
| Communication savante | 0,003 | 0,002 |
| Science ouverte | 0,001 | 0,003 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 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 ».