Understanding Patient Beliefs in Using Technology to Manage Diabetes: Path Analysis Model From a National Web-Based Sample
Notice bibliographique
Résumé
BACKGROUND: With 425 million individuals globally living with diabetes, it is critical to support the self-management of this life-threatening condition. However, adherence and engagement with existing technologies are inadequate and need further research. OBJECTIVE: The objective of our study was to develop an integrated belief model that helps identify the significant constructs in predicting intention to use a diabetes self-management device for the detection of hypoglycemia. METHODS: Adults with type 1 diabetes living in the United States were recruited through Qualtrics to take a web-based questionnaire that assessed their preferences for a device that monitors their tremors and alerts them of the onset of hypoglycemia. As part of this questionnaire, a section focused on eliciting their response to behavioral constructs from the Health Belief Model, Technology Acceptance Model, and others. RESULTS: =27.19; P<.001) by 4 main constructs. The most significant constructs were perceived usefulness (β=.33; P<.001) and perceived health threat (β=.55; P<.001) followed by cues to action (β=.17; P<.001) and a negative effect from resistance to change (β=-.19; P<.001). Older age (β=.025; P<.001) led to an increase in their perceived health threat. CONCLUSIONS: For individuals to use such a device, they need to perceive it as useful, perceive diabetes as life-threatening, regularly remember to perform actions to manage their condition, and exhibit less resistance to change. The model predicted the intention to use a diabetes self-management device as well, with several constructs found to be significant. This mental modeling approach can be complemented in future work by field-testing with physical prototype devices and assessing their interaction with the device longitudinally.
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 | 0,002 | 0,006 |
| 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) | 0,000 | 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 ».