Digital Social Media Development for Learning to Promote the Power of Mental Health of the Elderly
Notice bibliographique
Résumé
The study aimed to 1) Study the accessibility and use of digital technology in the elderly; 2) Examine the peculiarities of elderly people’s use of social media and the differences between elderly persons who use and do not utilize social media; and 3) Create the social media that affect the elderly in terms of loneliness reduction. The study sample was 50 people aged over 60 years, derived by purposive selection criterion. The experimental plan One-shot case design. Data was analyzed using mean, standard deviation (SD), percentage, correlations, and t-test. Study findings shown that 1) The majority of the elderly had communication devices. Two elderly people do not have a communication device, but forthyeight others have and use it for different reasons. As a result, using a communication device to address the problem of loneliness among the elderly is possible. 2) The findings with Less Lonely application cater to the needs of the elderly. The specialist indicated that the Less Lonely digital application was of Suitability level “the most” (X = 4.62, SD = 0.40) and efficiency trials passed the 80/80 criteria. The percentage result of the One-to-One testing (80.67%), the small group efficacy findings were efficient (E1/E2) 80.18/82.00, the field group efficacy findings were efficient (E1/E2) 80.16/80.90. 3). The correlation between the amount of time spent on social networking apps and feelings of loneliness showed a significant correlation which a negative relationship. The social media affected the elderly in terms of loneliness reduction is Less Lonely application allow elderly people to engage with other friends. The results were found between the time spent on social media devices and their state of loneliness was lower.
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 | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,001 | 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 ».