Reducing the Burdens of Paid Caregivers of Older Adults by Using Assistive Technology: A Scoping Review
Notice bibliographique
Résumé
BACKGROUND: Paid caregivers are needed to support older adults, but caregiver burden contributes to high turnover rates. Assistive technologies help perform activities of daily living (ADLs) and can reduce caregiver burden, but little is known about how they impact paid caregivers. OBJECTIVE: This scoping review provides an overview of evidence on using assistive technology to reduce burdens on paid caregivers working with older adults. DESIGN: The review was conducted from May to August 2022. The eligibility criteria included: (1) publication within 5 years in peer-reviewed journals, (2) investigation of assistive technology, (3) main participants include paid caregivers supporting older adults, and (4) describing impacts on caregiver burden. Searches were conducted in 6 databases, generating 702 articles. The charted data included (1) country of study, (2) participant care roles, (3) study design, (4) main outcomes, and (5) types of assistive technology. Numerical description and qualitative content analysis of themes were used. RESULTS: Fifteen articles reporting on studies in 9 countries were retained for analysis. Studies used a variety of quantitative (8/15), qualitative (5/15), and mixed (2/15) methods. Technologies studied included grab bars and handrails, bidet seats, bed transfer devices, sensor and monitoring systems, social communication systems, and companion robots. Articles identified benefits for reducing stress and workload, while paid caregivers described both positive and negative impacts. CONCLUSIONS: Literature describing the impact of assistive technology on paid caregivers who work with older adults is limited and uses varied methodologies. Additional research is needed to enable rigorous evaluation of specific technologies and impacts on worker turnover.
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 | 0,009 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,002 | 0,001 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,002 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,002 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,007 |
| 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 ».