Interrelationship among Personal Characteristics, Perceptions, and Self-Efficacy on Electronic Medical Record System (ERNRS) Use among Health Professionals
Notice bibliographique
Résumé
Improvements in the quality and safety of patient treatment are enhanced with the use of electronic medical records (EMRs). Despite the use of EMR, no established data existed on perceptions and self-efficacy and their relationship at the local level. The study assessed the interrelationships among personal characteristics, perceptions, and self-efficacy on EMR system use among 306 health professionals of a tertiary private hospital in Pasig, Metro Manila, Philippines, for the second quarter of 2023 who were chosen utilizing a proportionate stratified random sampling. This quantitative research used the descriptive, correlational design. Findings revealed that most respondents were young adults, females, had bachelor's degrees, had good typing ability, and had training in EMR systems. Most belonged to the medical department, used the system moderately, and served for 1-3 years. Overall, perceptions of EMR and self-efficacy were good. All the personal characteristics had a relationship with perceptions of EMR. All personal characteristics, except gender, were correlated with self-efficacy. However, gender was not. Lastly, perceptions of EMR had a relationship with self-efficacy. To address the findings, an action plan for telehealth utilization was created. In conclusion, perceptions of EMR and self-efficacy are influenced by personal characteristics, while perceptions of EMR influence self-efficacy.
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 | 0,002 | 0,011 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| 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 ».