eHealth Literacy and its Associated Factors Among Health Professionals During the COVID-19 Pandemic in Resource-Limited Settings: Cross-sectional Study
Notice bibliographique
Résumé
BACKGROUND: The COVID-19 pandemic has wreaked havoc on health care systems and governments worldwide. Although eHealth literacy is acknowledged as a critical component of public health, it was overlooked during the pandemic. To assist patients and their families, health professionals should be knowledgeable about online health information resources and capable of evaluating relevant online information. In a resource-constrained situation, the level of eHealth literacy among health professionals is not well documented. OBJECTIVE: The aim of this study was to assess the eHealth literacy level and its associated factors among health professionals working in Amhara regional state teaching hospitals, Ethiopia. METHODS: A self-administered questionnaire was used in an institutional-based cross-sectional study design. Descriptive statistics were calculated to describe eHealth literacy statements and key variables using SPSS v.24. Bivariable and multivariable logistic regression models were fit to identify factors related to eHealth literacy. Variables with P<.05 were declared to be statistically significant predictors. RESULTS: A total of 383 participants completed and returned the questionnaire with a response rate of 90.5%. Health professionals demonstrated a moderate level of eHealth literacy (mean 29.21). Most of the professionals were aware of the available health resources located on the internet, and know how to search and locate these resources. However, they lack the ability to distinguish high-quality health resources from low-quality resources. Factors that were significantly associated with eHealth literacy were computer access, computer knowledge, perceived ease of use, and perceived usefulness of eHealth information resources. CONCLUSIONS: It is crucial to provide training and support to health care workers on how to find, interpret, and, most importantly, evaluate the quality of health information found on the internet to improve their eHealth literacy level. Further research is needed to explore the role of eHealth literacy in mitigating pandemics in developing countries.
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 | 0,047 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,016 | 0,000 |
| Communication savante | 0,000 | 0,002 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,007 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».