Decision-making Factors Toward the Adoption of Smart Home Sensors by Older Adults in Singapore: Mixed Methods Study
Notice bibliographique
Résumé
BACKGROUND: An increasing aging population has become a pressing problem in many countries. Smart systems and intelligent technologies support aging in place, thereby alleviating the strain on health care systems. OBJECTIVE: This study aims to identify decision-making factors involved in the adoption of smart home sensors (SHS) by older adults in Singapore. METHODS: The study involved 3 phases: as an intervention, SHS were installed in older adults' homes (N=42) for 4 to 5 weeks; in-depth semistructured interviews were conducted with 18 older adults, 2 center managers, 1 family caregiver, and 1 volunteer to understand the factors involved in the decision-making process toward adoption of SHS; and follow-up feedback was collected from 42 older adult participants to understand the reasons for adopting or not adopting SHS. RESULTS: Of the 42 participants, 31 (74%) adopted SHS after the intervention, whereas 11 (26%) did not adopt SHS. The reasons for not adopting SHS ranged from privacy concerns to a lack of family support. Some participants did not fully understand SHS functionality and did not perceive the benefits of using SHS. From the interviews, we found that the decision-making process toward the adoption of SHS technology involved intrinsic factors, such as understanding the technology and perceiving its usefulness and benefits, and more extrinsic factors, such as considering affordability and care support from the community. CONCLUSIONS: We found that training and a strong support ecosystem could empower older adults in their decision to adopt technology. We advise the consideration of human values and involvement of older adults in the design process to build user-centric assistive technology.
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 | 0,001 |
| 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 | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 ».