Knowledge, Attitudes, and Perceptions of Jordanians Toward Adopting and Using Telemedicine: National Cross-sectional Study
Notice bibliographique
Résumé
BACKGROUND: Due to the upsurge of COVID-19, nations are increasingly adopting telemedicine programs in anticipation of similar crises. Similar to all nations worldwide, Jordan is implementing efforts to adopt such technologies, yet it is far from complete. OBJECTIVE: This study aims to assess the knowledge, attitudes, and perceptions of Jordanians toward telemedicine, to identify key factors predisposing individuals to its use or acting as barriers to its implementation. METHODS: We implemented a cross-sectional design using an online, self-administered questionnaire executed in Google Forms and distributed through social media. Differences in knowledge and attitude scores were examined using independent sample t tests and ANOVA. A multivariate linear regression model was computed to assess predictors of awareness toward telemedicine. RESULTS: A total of 1201 participants fully completed the questionnaire. Participants were characterized by a mean age of 36.3 (SD 14.4) years and a male-to-female ratio of nearly 1:1. About 50% (619/1201, 51.5%) of our studied population were aware of telemedicine, while nearly 25% (299/1201, 24.9%) declared they had observed it in action. Approximatively 68% (814/1201, 67.8%) of respondents were willing to use telemedicine. The majority of the sample portrayed favorable and positive views toward telemedicine. Higher educational degrees, living in urban districts, and having a higher perception of electronic usage ability were associated with higher knowledge and better attitudes toward telemedicine (all P<.05). The multivariate linear regression analysis demonstrated that perceived ability to use electronics was associated with positive attitudes (β=0.394; 95% CI 0.224 to 0.563), while living in Southern Jordan predicted poor attitudes toward telemedicine (β=-2.896; 95% CI -4.873 to -0.919). CONCLUSIONS: Jordanians portray favorable perceptions of telemedicine. Nonetheless, concerns with regards to privacy, medical errors, and capacity for accurate diagnoses are prevalent. Furthermore, Jordanians believe that integrating telemedicine within the health care system is not applicable due to limited resources.
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 | 0,000 |
| 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) | 0,001 | 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 ».