Interrelationship among Personal Characteristics, Perceptions, and Self-Efficacy on Electronic Medical Record System (ERNRS) Use among Health Professionals
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
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.
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 | 0,004 | 0,000 |
| 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 | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,002 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,001 |
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 découle