The Factors Influencing Older Adults’ Decisions Surrounding Adoption of Technology: Quantitative Experimental Study
Notice bibliographique
Résumé
BACKGROUND: The rapid diffusion of technology apps may support older adults' independence and improve the quality of their lives. Models for predicting technology acceptance in older adults are sparse, based on broad questions related to general technology acceptance, and largely not grounded in theories of aging. OBJECTIVE: This study aimed to use a mixed methods approach involving 5 technologies to comprehensively assess the causal relationships among factors that influence older adults' willingness to adopt the technologies. METHODS: In total, 187 men and women aged 65 to 92 years participated in the study. Participants were given presentations on 5 different technologies spanning domains that included transportation, leisure, health, and new learning and provided ratings of each technology on various measures hypothesized to influence adoption. They were also administered other instruments to collect data on their actual and self-assessed cognitive abilities, rates of discounting of the technologies with respect to willingness to invest time to attain higher skills in the technologies, general technology experience, and attitudes toward technology. We used the machine learning technique of k-fold cross-validated regressions to select variables that predicted participants' willingness to adopt the technologies. RESULTS: Willingness to adopt technologies was most impacted by 3 variables: perceived value of the technologies (β=.54), perceived improvement in quality of life attainable from the technologies (β=.24), and confidence in being able to use the technologies (β=.15). These variables, in turn, were mostly facilitated or inhibited by the perceived effort required to learn to use the technologies, a positive attitude toward technology as reflected in the optimism component of the technology readiness scale, the degree to which technologies were discounted, and the perceived help needed to learn to use the technologies. CONCLUSIONS: Our findings demonstrate that participants' willingness to adopt technologies is mainly determined by perceptions of 3 aspects of the technologies; these aspects possibly mediate many relationships with willingness to adopt. We discuss the implications of these findings for the design and marketing of technology products for older consumers.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,010 | 0,017 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,002 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 0,001 |
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 source (Gemma direct ou Codex distillé), 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 ».