Determinants of Successful Implementation of Assistive Technologies for Dementia: Exploratory Survey
Notice bibliographique
Résumé
Background: Despite positive results for the use of assistive technologies (ATs) in dementia, the uptake of ATs lags behind. It is considered important to assess determinants of successful or unsuccessful implementation of ATs. Objective: We explored factors that influence the implementation of ATs for community-dwelling people with dementia, with the aim to better understand potentially effective implementation strategies. Methods: A cross-sectional survey for researchers was developed and disseminated, exploring factors that influence either successful or unsuccessful implementation of ATs for dementia. The survey consisted of closed and open questions. Results: The response rate was 10% (21/206); the 21 respondents who completed the survey were from 8 countries. Determinants of implementation were described for 21 ATs, of which 12 were successfully and 9 were unsuccessfully implemented. Various types of ATs were included, such as online platforms, sensors, or physical aids. The main determinants of implementation success were related to the AT itself, contextual factors, research activities, and implementation strategies. There was a lack of research data on some ethical issues and cost-effectiveness. Conclusions: This study provided insight into some main barriers to and facilitators of implementation of ATs in dementia related to the AT itself, context, research-related activities, and applied implementation strategies. Lessons were formulated for various stakeholders to improve the implementation effectiveness of ATs in dementia.
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 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 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) | 0,000 | 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 ».