The influence of assistive technologies on experiences of risk among older adults with age-related vision loss (ARVL)
Notice bibliographique
Résumé
PURPOSE: Living with risk is a salient part of everyday living and although risk affects everyone, older adults are often regarded as a high-risk group, particularly older adults who are aging with a disability, such as vision loss. A prominent focus within low vision rehabilitation is the provision, and training, of older adults in the use of low vision assistive devices as a strategy to manage risks in both the home and community environment. This study aimed to unpack the influence of assistive technologies on experiences of risk among eleven older adults (aged 65+) with age-related vision loss. MATERIALS AND METHODS: This critical ethnographic study used home tours, the go-along method, and a semi-structured in-depth interview. RESULTS: The study identified five prevailing themes including: 1) Moving away from the individualization of risk; 2) The cost of assistive technologies as a risk contributor; 3) Practicing 'responsible living'; Technology as an adaptive strategy to risk taking; 4) Resisting the label of 'at risk'; The influence of technology on self-identity; and 5) Technology as a substitution versus supplement for social connectedness. CONCLUSIONS: The study findings highlight the importance of moving beyond a technico-scientific perspective of risk, in which risk is framed as an objective phenomenon located in older adults' bodies, and instead framing risk within a broader sociocultural perspective which moves our attention to those contextual or environmental factors that shape experiences of risk for older adults with vision loss.
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 | 0,002 | 0,006 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,034 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,002 |
| 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 ».