Exploring factors influencing willingness of older adults to use assistive technologies: evidence from the cognitive function and ageing study II
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Technology is widely promoted as a solution to greater independence and better health for the rapidly growing UK older population. If this is to be realised, we need to understand barriers and facilitators to uptake and investigate who wants this technology and who does not express an interest in use. This analysis is based on data from a population-based cohort study, the Cognitive Function and Ageing Study (CFAS)-II, which focused on brain health in older people and included questions about access to- and interest in- internet technologies. The factors affecting willingness to use technologies that support memory and ADL were identified using binary logistic regression analysis. 541 people aged 75 years and older from Cambridgeshire, Nottingham and Newcastle responded. Older adults were more willing to use technologies directed towards improving memory (65%) than towards ADL supportive technologies (38%). Regression analysis showed that an older age (OR = 0.64, 95% CI = 0.34–0.98), female gender (OR = 0.64, 95% CI = 0.42–0.99), no access to technology including laptops and tablets (OR = 0.48, 95% CI = 0.32–0.72), and self-reported physically less slowing down (but no objective health indicators) (OR = 0.57, 95% CI = 0.36–0.88) were strongly associated with UK older adults’ lesser willingness to use memory assistive technologies while not having access to laptops and tablets (OR = 0.57, 95% CI = 0.39–0.84) was associated with willingness to use ADL supportive technologies. Older people, females and those with less access to technologies should be considered as target groups by healthcare providers, policymakers, and technology producers to promote technology and support healthy and independent ageing.
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.
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 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,002 | 0,000 |
| Communication savante | 0,000 | 0,005 |
| Science ouverte | 0,001 | 0,001 |
| 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 découle