Physician Satisfaction With Clinical Decision Support Systems: Impact of Technology Identity and Computer Self-Efficacy
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
Clinical decision support systems (CDSS) use data analytics to provide critical information to aid physicians’ decision-making. With timely access to data considered crucial in effective healthcare delivery, CDSS are vital for improving healthcare outcomes. Nevertheless, physician satisfaction is key to their adoption. Previous articles on the adoption of CDSS by physicians have focused on their system-related structures, however there is a lack of research on system identity. This article aims to fill this important gap by integrating the theories of task-technology fit (TTF) and information technology (IT) identity into a research model that explains physicians’ satisfaction with CDSS. To validate the model, data were collected from 349 Chinese physicians who use CDSS in clinical practice via an online questionnaire. The article's findings demonstrate that TTF positively influences CDSS identity. CDSS identity not only impacts physician satisfaction directly but also serves as a mediator in the influence of TTF on their satisfaction. Moreover, computer self-efficacy (CSE) was found to act as a negative moderator between TTF and CDSS identity, indicating that higher levels of CSE weaken the impact of TTF on CDSS identity. This article extends current understanding on physician satisfaction with CDSS by integrating IT identity with TTF in healthcare IT research. In doing so, this research integration contributes to the more effective application of CDSS in healthcare settings.
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 | 0,001 | 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 | 0,000 | 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 découle