Health care providers’ perceptions of barriers, facilitators, and acceptability of an eHealth resource: Descriptive study
Notice bibliographique
Résumé
Introduction: Women often experience breastfeeding difficulties leading to premature supplementation and cessation. Implementing evidence-informed eHealth resources in clinical interactions with health care providers (HCPs), both in the health department and hospitals throughout a health region may help address this longstanding clinical issue. However, the provision of an eHealth resource alone is not sufficient to increase breastfeeding rates and health literacy, as the effective implementation of the eHealth resource in clinical practice is required. As such, our study objective was to conduct a needs assessment with HCPs to determine the barriers, facilitators, and perceived acceptability of the eHealth resource. Methods: A non-experimental descriptive study was used to examine HCPs’ perceptions of barriers and facilitators to the implementation of an eHealth resource in clinical settings. HCPs completed an online questionnaire to determine barriers and facilitators informed by the Consolidated Framework for Implementation Research (CFIR). Results: HCPs (n=44) completed the survey and agreed the resource was credible (86%), up to date (84%), covered relevant topics (91%), would ease their ability to provide breastfeeding education (82%), and would increase consistent messaging (86%). They agreed it would increase parents’ breastfeeding health literacy (91%) and help parents meet their breastfeeding goals (86%). Concerns were expressed regarding how this would be used in clinical interactions due to challenges with navigation, searchability, and the large amount of content. Implications and Conclusion: HCPs rated the eHealth resource highly; however, adaptations to the local context are required. For effective implementation of interventions in clinical settings, HCPs’ perceptions should be explored to determine their specific needs and determine how to best adapt the intervention to their setting to increase acceptability and facilitate use in clinical interactions.
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 | 0,008 | 0,024 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,002 | 0,001 |
| Communication savante | 0,002 | 0,002 |
| Science ouverte | 0,001 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 ».