Health knowledge and self-efficacy to make health behaviour changes: a survey of older adults living in Ontario social housing
Notice bibliographique
Résumé
BACKGROUND: Older adults living in social housing are a vulnerable population facing unique challenges with health literacy and chronic disease self-management. We investigated this population's knowledge of cardiovascular disease and diabetes mellitus, and self-efficacy to make health behaviour changes (for example, physical activity). This study characterized the relationship between knowledge of health risk factors and self-efficacy to improve health behaviours, in order to determine the potential for future interventions to improve these traits. METHODS: A cross-sectional study (health behaviour survey) with adults ages 55+ (n = 599) from 16 social housing buildings across five Ontario communities. Descriptive analyses conducted for demographics, cardiovascular disease and diabetes knowledge, and self-efficacy. Subgroup analyses for high-risk groups were performed. Multivariate logistic regressions models were used to evaluate associations of self-efficacy outcomes with multiple factors. RESULTS: Majority were female (75.6%), white (89.4%), and completed high school or less (68.7%). Some chronic disease subgroups had higher knowledge for those conditions. Significant (p < 0.05) associations were observed between self-efficacy to increase physical activity and knowledge, intent to change, and being currently active; self-efficacy to increase fruit/vegetable intake and younger age, knowledge, and intent to change; self-efficacy to reduce alcohol and older age; self-efficacy to reduce smoking and intent to change, ability to handle crises, lower average number of cigarettes smoked daily, and less frequent problems with usual activities; self-efficacy to reduce stress and ability to handle crises. CONCLUSIONS: Those with chronic diseases had greater knowledge about chronic disease. Those with greater ability to handle personal crises and intention to make change had greater self-efficacy to change health behaviours. Development of stress management skills may improve self-efficacy, and proactive health education may foster knowledge before chronic disease develops.
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 | 0,005 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| 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 ».