Gluu Essentials Digital Skills Training for Middle-Aged and Older Adults That Makes Skills Stick: Results of a Pre-Post Intervention Study
Notice bibliographique
Résumé
BACKGROUND: A number of real-world digital literacy training programs exist to support engagement with mobile devices, but these have been understudied. OBJECTIVE: The purpose of this study was to examine the effectiveness and program acceptability of a digital skills training program among middle-aged and older adults (aged ≥50 years) and to gather participants' recommendations for lifelong digital skills promotion. METHODS: The Gluu Essentials digital skills training program includes learning resources to support tablet use. Through pre-post surveys, this study assessed mobile device proficiency, confidence in going online and in avoiding frauds and scams, the frequency of engaging in online activities, program engagement, acceptability, and suggestions for continued support. RESULTS: A total of 270 middle-aged and older adults completed baseline surveys. Of these 270 participants, 145 (53.7%) completed follow-up surveys. Our findings indicate that mobile device proficiency increased (P<.001), whereas confidence was unchanged. Participants also reported going online more frequently to shop (P=.01) and access government services (P=.02) at follow-up. Program engagement varied considerably, but program acceptability was high. Participants' recommendations included the need for providing ongoing programs for support and training because technology constantly changes, reducing costs for technology and internet access, and keeping learning resources simple and easy to access. CONCLUSIONS: The Gluu Essentials digital skills training program increased mobile device proficiency and frequency of web-based activities (shopping and accessing government services) among middle-aged and older adults.
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 | 0,001 |
| 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 | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| 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 ».