Decoding the Influence of eHealth on Autonomy, Competence, and Relatedness in Older Adults: Qualitative Analysis of Self-Determination Through the Motivational Technology Model
Notice bibliographique
Résumé
BACKGROUND: Older adults adopt and use eHealth systems to build autonomy, competence, and relatedness and engage in healthy behaviors. The motivational technology model posits that technology features, such as those on websites, smart displays, and mobile phones, must allow for navigability, interactivity, and customizability, which spur feelings of self-determination and intrinsic motivation. We studied ElderTree, an online system for older adults that provides on-demand videos of healthy living content, self-monitoring, and weekly researcher-hosted video meetings. OBJECTIVE: We aimed to understand the theoretical crossover between the motivational technology model and self-determination theory using features of ElderTree to understand the usability of the technology and how it may support older adults' autonomy, competence, and relatedness. METHODS: Drawing participants from a randomized controlled trial of a mobile health app for older adults with multiple chronic conditions, we conducted qualitative interviews with 22 older adults about their use of the app; the interviews were coded using qualitative thematic analysis. RESULTS: Older adults did find that features within ElderTree such as content available on demand, good navigation, and weekly researcher-led video calls supported feelings of autonomy, competence, and relatedness, respectively. Individual differences such as a background using computers also influenced participants' experiences with the smart displays. CONCLUSIONS: Participants confirmed the features that increased internal motivation, such as interactivity correlating with feelings of relatedness, but they also found other ways to support autonomous health behavior change beyond narrow views of navigability, interactivity, and customization.
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 | 0,001 | 0,003 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| 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 ».