MétaCan
Menu
Retour à la cohorte
Enregistrement W4312270866 · doi:10.2196/39848

Digital Intergenerational Program to Reduce Loneliness and Social Isolation Among Older Adults: Realist Review

2022· review· en· W4312270866 sur OpenAlexvenueno aff
Jie Kie Phang, Yu Heng Kwan, Sungwon Yoon, Hendra Goh, Wan Qi Yee, Chuen Seng Tan, Lian Leng Low

Notice bibliographique

RevueJMIR Aging · 2022
Typereview
Langueen
DomaineSocial Sciences
ThématiqueTechnology Use by Older Adults
Établissements canadiensnon disponible
Organismes subventionnairesNational Medical Research CouncilMedical Research CouncilDuke-NUS Medical School
Mots-clésLonelinessPsycINFOCINAHLGrey literatureSocial isolationSocial connectednessContext (archaeology)PsychologyGerontologyMEDLINEApplied psychologySocial psychologyMedicinePsychological interventionPolitical sciencePsychiatry

Résumé

récupéré en direct d'OpenAlex

BACKGROUND: There is a compelling need for an innovative and creative approach to promote social connectedness among older adults to optimize their well-being and quality of life. One possible solution may be through a digital intergenerational program. OBJECTIVE: This realist review aimed to identify existing digital intergenerational programs that were used to reduce loneliness or social isolation among older adults and analyze them in terms of strategy, context, mechanisms, and outcomes. METHODS: We performed a realist review with an extensive search of published and gray literature. For scholarly literature, we searched PubMed, Embase, CINAHL, PsycINFO (Ovid), and Social Sciences Citation Index databases for articles published between January 2000 to August 2020. A grey literature search was performed using the Google search engine, and the search was completed in May 2021. We included programs that evaluated digital intergenerational programs for older adults, which described outcomes of loneliness or social isolation. We included quantitative, mixed methods, and qualitative studies, as well as relevant theoretical papers, policy documents, and implementation documents. The studies were appraised based on their relevance and rigor. We synthesized the available evidence from the literature into Strategy-Context-Mechanism-Outcome (S-C-M-O) configurations to better understand what, when, and how programs work. RESULTS: A total of 31 documents reporting 27 digital intergenerational programs were reviewed. Our final results identified 4 S-C-M-O configurations. For S-C-M-O configuration 1, we found that for community-dwelling older adults, provision of access to and training in digital technology may increase older adults' self-efficacy in digital devices and therefore increase the use of digital communication with family. In S-C-M-O configuration 2, digital psychosocial support and educational interventions from nurses were found to be useful in reducing loneliness among community-dwelling older adults. In S-C-M-O configuration 3, a video call with a student or family was found to reduce loneliness among older adults residing in long-term residential care facilities. Finally, for S-C-M-O configuration 4, we found that behavioral activation provided through videoconferencing by a lay coach may be useful in reducing loneliness among older adults who are lonely. However, as almost half (11/27, 41%) of the included programs only reported quantitative results, this review focused on screening the discussion section of publications to identify author opinions or any qualitative information to elucidate the mechanisms of how programs work. CONCLUSIONS: This review identified the key strategy, context, and mechanism influencing the success of programs that promote intergenerational interaction through digital means. This review revealed that different strategies should be adopted for different groups of older adults (eg, older adults who are lonely, older adults who reside in long-term residential care facilities, and community-dwelling older adults). The S-C-M-O configurations should be considered when designing and implementing digital intergenerational programs for older adults.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,006
score de la tête « metaresearch » (Gemma)0,027
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Revue systématique · Signal consensuel: Revue systématique
GenreSignal candidat: Synthèse · Signal consensuel: Synthèse
Score de désaccord entre enseignants0,006
Score d'incertitude au seuil0,032

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0060,027
Méta-épidémiologie (sens strict)0,0010,000
Méta-épidémiologie (sens large)0,0020,003
Bibliométrie0,0060,005
Études des sciences et des technologies0,0010,001
Communication savante0,0030,002
Science ouverte0,0020,001
Intégrité de la recherche0,0020,001
Charge utile insuffisante (le modèle a refusé de juger)0,0060,000

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.

Tête enseignante Opus0,040
Tête enseignante GPT0,378
Écart entre enseignants0,338 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeRevue systématique
Domainenon disponible
GenreSynthèse

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations51
Publié2022
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueJMIR AgingMême sujetTechnology Use by Older AdultsTravaux en français237 207