Individualistic Versus Collaborative Learning in an eHealth Literacy Intervention for Older Adults: Quasi-Experimental Study
Notice bibliographique
Résumé
BACKGROUND: Older adults tend to have insufficient health literacy, which includes eHealth literacy-the ability to access, assess, and use digital health information. Interventions using methods such as collaborative learning (CL) and individualistic learning (IL) may be effective in addressing older adults' low eHealth literacy, but little is known about the short- and long-term effects of CL versus IL on older adults' eHealth literacy. OBJECTIVE: The objective of this study was to use a 3 × 2 × 3 mixed factorial design to examine older adults' learning with CL versus IL for eHealth literacy. METHODS: Older adults (N=466; mean age 70.5, SD 7.2; range 60-96 years) from diverse racial and ethnic groups were randomly assigned to either the CL or IL group (233/466, 50% in each). The intervention consisted of 4 weeks of training in 2-hour sessions held twice a week. Using ANOVA and multiple regression, we focused on the main effects of learning condition and interaction between learning condition and previous computer experience. Learning method (CL or IL) and previous computer experience (experienced, new, or mixed) were between-subject variables, and time of measurement (pretest measurement, posttest measurement, and 6-month follow-up) was the within-subject variable. Primary outcome variables were eHealth literacy efficacy, computer and web knowledge, basic computer and web operation skills, information-seeking skills, and website evaluation skills. Control variables were age, sex, education, health status, race and ethnicity, income, primary language, and previous health literacy. RESULTS: =3.69; P=.03). To maintain computer and web operation skills 6 months after the intervention, it was more effective for people with little to no previous computer experience to learn individually, whereas for people with more previous computer experience, it was more effective to learn collaboratively. From postintervention measurement to 6-month follow-up, statistically significant decreases were found in 3 of the 5 outcome measures: eHealth literacy efficacy, computer and web knowledge, and basic computer and web operation skills (P<.001 for all 3 cases). CONCLUSIONS: Older adults' eHealth literacy can be improved through effective intervention, and the IL or CL condition may have little effect on short-term outcomes. However, to maintain long-term benefits, it may be best to learn collaboratively with others who have similar previous computer experience. eHealth literacy is multidimensional, with some components retained better over time. Findings suggest a need for resources to provide continuous training or periodic boosting to maintain intervention gains.
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 | 0,011 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,003 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,002 | 0,002 |
| Communication savante | 0,001 | 0,002 |
| Science ouverte | 0,002 | 0,001 |
| Intégrité de la recherche | 0,002 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,008 | 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 ».