An investigation of mHealth and digital health literacy among new parents during COVID-19
Notice bibliographique
Résumé
Introduction: Especially during the COVID-19 pandemic, parents were expected to understand increasingly sophisticated information about health issues and healthcare systems and access online resources as a part of their caregiving role. Yet little is known about parents' online digital technology use and digital health literacy skill. This study aimed to investigate parents' digital technology use, their self-reported digital health literacy skill, and demographic information as potential factors influencing their use of digital technologies. Methods: An online survey utilizing convenience sampling was administered to new parents during the COVID-19 pandemic that inquired about their demographic information, digital technology use, and digital health literacy skills within Ontario, Canada. Results: A total of 151 individuals responded to the survey; these were primarily mothers (80%) who self-reported as white (72%), well-educated 86%), heterosexual (86%) females (85%) with incomes over $100,00 per year (48%). Participants reported consistent and persistent online activity related to their parenting role and mostly via mobile smartphone devices (92%). Participants had moderate to high digital health literacy skills, greater than the Canadian national average. Almost half of participants reported negative health and well-being consequences from their digital online behaviours. There were no significant relationships between technology use, digital health literacy skill, and demographic variables. Discussion: The COVID-19 pandemic has reinforced the need for and importance of effective and equitable digital health services. Important opportunities exist within clinical practice and among parenting groups to proactively address the physical and mental health implications of digital parenting practices. Equally important are opportunities to insert into clinical workflow the inquiry into parents' online information-seeking behaviours, and to include digital health literacy as part of prenatal/postnatal health education initiatives.
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 | 0,001 | 0,006 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,002 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».