The Sociodemographic Digital Divide in Mobile Health App Use Among Clients at Outpatient Departments in Inner Mongolia, China: Cross-sectional Survey Study
Notice bibliographique
Résumé
BACKGROUND: Mobile health (mHealth) apps have become part of the infrastructure for access to health care in hospitals, especially during the COVID-19 pandemic. However, little is known about the effects of sociodemographic characteristics on the digital divide regarding the use of hospital-based mHealth apps and their benefits to patients and caregivers. OBJECTIVE: The aim of this study was to document the cascade of potential influences from digital access to digital use and then to mHealth use, as well as the potential influence of sociodemographic variables on elements of the cascade. METHODS: A cross-sectional survey was conducted from January to February 2021 among adult clients at outpatient departments in 12 tertiary hospitals of Inner Mongolia, China. Structural equation modeling was conducted after the construct comprising digital access, digital use, and mHealth use was validated. RESULTS: Of 2115 participants, the β coefficients (95% CI) of potential influence of digital access on digital use, and potential influence of digital use on mHealth use, were 0.28 (95% CI 0.22-0.34) and 0.51 (95% CI 0.38-0.64), respectively. Older adults were disadvantaged with regard to mHealth access and use (β=-0.38 and β=-0.41), as were less educated subgroups (β=-0.24 and β=-0.27), and these two factors had nonsignificant direct effects on mHealth use. CONCLUSIONS: To overcome the mHealth use divide, it is important to improve digital access and digital use among older adults and less educated groups.
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 | 0,003 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,007 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,002 |
| 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 ».