Continued Intention of mHealth Care Applications among the Elderly: An Enabler and Inhibitor Perspective
Notice bibliographique
Résumé
Optimal healthcare provision for the elderly is increasingly possible via real-time health indicators’ data generated by mHealth care applications. Yet, these apps require continuous utilization, which remains problematic. This research examines gamification, usability, as well as empathetic cooperation and social interaction (ESCI) as enablers whereas inertia, sunk cost, transition cost, perceived risk, and technological anxiety are validated as inhibitors of mHealth care applications continued usage intention. Drawing on self-determination theory (SDT) and the Health IT Usability Evaluation Model (Health-ITUEM), the study also validates engagement as an influencer of continued intention. The sample comprised 643 older adults using mHealth care applications and residing in North Indian states. Structural Equation Modelling (SEM) was applied to assess and validate the hypothesized relationships. The results confirmed that usability strongly impacted engagement, followed by gamification and ESCI. Conversely, perceived risk emerged as the strongest inhibitor, followed by sunk cost, technological anxiety, and transition cost. Interestingly, Inertia had a positive and significant impact on engagement. This research is an initial endeavor to understand enablers and inhibitors of mHealth care applications (mHealth care apps) concerning older adults. The model that emerged from this study would provide valuable insights by validating various significant issues to generate engagement of the elderly towards mHealth care apps.
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 | 0,004 | 0,010 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,002 |
| Communication savante | 0,004 | 0,002 |
| Science ouverte | 0,001 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 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 ».