MétaCan
Menu
Retour à la cohorte
Enregistrement W4316687329 · doi:10.1177/23337214221146665

Managers’ and Administrators’ Perspectives on Digital Technology Use in Regional Long-Term Care Homes During the COVID-19 Pandemic

2023· article· en· W4316687329 sur OpenAlexafffundabout
Asif Raza Khowaja, Nawal Syed, Kaitlyn Michener, Kristin Mechelse, Henriette Koning

Notice bibliographique

RevueGerontology and Geriatric Medicine · 2023
Typearticle
Langueen
DomaineSocial Sciences
ThématiqueTechnology Use by Older Adults
Établissements canadiensRegional Municipality of NiagaraBrock University
Organismes subventionnairesBrock University
Mots-clésPandemicLong-term careRecreationCoronavirus disease 2019 (COVID-19)BusinessIsolation (microbiology)Public relationsSocial isolationTelehealth2019-20 coronavirus outbreakMarketingSocial distancePsychologyTelemedicineNursingMedicinePolitical scienceEconomic growthHealth careEconomics

Résumé

récupéré en direct d'OpenAlex

In this paper, we explore managers' and administrators' perspectives on digital technology use for residents during province-wide lockdowns (June-August 2021) during the COVID-19 pandemic in seven regional long-term care homes (LTC) in Niagara, Canada. Fifteen semi-structured interviews were conducted with participants representing operational, financial, and recreational departments where we discussed their needs and factors influencing the use of digital technology during the phases of increased restrictions on visitors and social isolation. Our findings indicate extensive use of cellular devices including smartphones, however additional iPads were needed to meet the ever-rising demand for virtual connections. Almost all participants revealed supportive leadership, redeployed staff, and community donations as main facilitators for technology use. Barriers related to managing varying elderly cognitive capacities and technical issues affected technology use. Based on our findings, we conclude that financial commitment and community support are integral for future-proofing LTC homes with technological innovations.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,001
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: Observationnel
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,094
Score d'incertitude au seuil0,935

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0000,001
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0010,001
Études des sciences et des technologies0,0010,003
Communication savante0,0000,000
Science ouverte0,0000,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

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 Opus0,048
Tête enseignante GPT0,338
Écart entre enseignants0,290 · 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 tête enseignante, pas un consensus.

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

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

En bref

Citations5
Publié2023
Routes d'admission3
Résumé présentoui

Explorer davantage

Même revueGerontology and Geriatric MedicineMême sujetTechnology Use by Older AdultsTravaux en français237 207