Sociodigital Determinants of eHealth Literacy and Related Impact on Health Outcomes and eHealth Use in Korean Older Adults: Community-Based Cross-Sectional Survey
Notice bibliographique
Résumé
Background: eHealth literacy is an essential skill for pursuing electronic health information, particularly for older people whose health needs increase with age. South Korea is now at the intersection of a rapidly digitalizing society and an increasingly aged population. eHealth literacy enables older people to maximize the effective use of emerging digital technology for their health and quality of life. Understanding the eHealth literacy of Korean older adults is critical to eliminating the gray digital divide and inequity in health information access. Objective: This study aims to investigate factors influencing eHealth literacy in older Korean adults and its impact on health outcomes and eHealth use. Methods: This was a cross-sectional survey. Community-dwelling older adults 65 years and older in 2 urban cities in South Korea were included. eHealth literacy was measured by the eHealth Literacy Scale. Ordinal logistic regression was used to analyze factors associated with eHealth literacy and multivariate ANOVA for the impact of eHealth literacy on health outcomes and eHealth use. Results: In total, 434 participants were analyzed. A total of 22.3% (97/434) of participants had high eHealth literacy skills. Increasing age, higher monthly income, and time spent on the internet were significantly associated with eHealth literacy (P<.001), and social media users were 3.97 times (adjusted odds ratio 3.97, 95% CI 1.02-15.43; P=.04) more likely to have higher skill. Higher eHealth literacy was associated with better self-perceived health and frequent use of digital technologies for accessing health and care services (P<.001). Conclusions: Disparity in socioeconomic status and engagement on the internet and social media can result in different levels of eHealth literacy skills, which can have consequential impacts on health outcomes and eHealth use. Tailored eHealth interventions, grounded on the social and digital determinants of eHealth literacy, could facilitate eHealth information access among older adults and foster a digitally inclusive healthy aging community.
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 | 0,008 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,002 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 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 ».