Technology Use Among Older Adults and Their Caregivers: Cross-Sectional Survey Study
Notice bibliographique
Résumé
Background: Informal caregivers are called upon to provide substantial care, but more needs to be known about technology use among older adult and caregiver dyads. Objective: This study described technology use among older adults and their caregivers, explored potential correlates of technology use, and highlighted implications for practice. Methods: A cross-sectional survey was conducted among unpaid caregivers of older adults (n=486). Primary outcomes were self-reported technology (devices and functions) use among caregivers and their oldest care recipient. The concordance of technology use among caregivers and care recipients was also examined. Multivariable regression models were conducted separately for caregivers and care recipients. Results: Greater proportions of caregivers used all examined technologies, except for the medication alerts or tracking function, than care recipients. Caregivers used an average of 3.4 devices and 4.2 functions, compared to 1.8 devices and 1.6 functions used by their care recipients. Among caregivers, younger age, higher income, and higher education were associated with more technology use (P<.05). Among care recipients, younger age, not having cognitive dysfunction, and caregiver's technology use were associated with more technology use (P<.05). Conclusions: Understanding technology use patterns and device adoption across diverse caregiver and care recipient populations is increasingly important for enhancing geriatric care. Findings can guide recommendations about appropriate technology interventions and help providers communicate and share information more effectively with patients and their caregivers.
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 | 0,000 |
| 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 | 0,001 | 0,001 |
| 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 ».