MétaCan
Menu
Retour à la cohorte
Enregistrement W4402501800 · doi:10.11159/icbb24.111

Effect of Demographic Factors on Openness to Medical Technology

2024· article· en· W4402501800 sur OpenAlexvenueno aff
Ryan Oh, Sujata Bhatia

Notice bibliographique

RevueProceedings of the World Congress on New Technologies · 2024
Typearticle
Langueen
DomaineEngineering
ThématiqueBiomedical and Engineering Education
Établissements canadiensnon disponible
Organismes subventionnairesnon disponible
Mots-clésOpenness to experienceComputer sciencePsychology

Résumé

récupéré en direct d'OpenAlex

What are the factors that cause societies to readily accept some technologies and resist other technologies?The success or failure of a variety of technologies, including vaccines, gene editing, artificial intelligence, and brain-computer interfaces, depends on societal acceptance of these technologies.The objective of this research is to examine the relationship between technological acceptance and geography, gender, lifestyle, religion, and age.A review of the current literature reveals that gender may influence technological acceptance.For example, a study of adults in Germany, Poland, and Turkey found that women displayed much higher acceptance of medical technology than men.Lifestyle factors also play a role, as individuals who exercised more frequently were more open to technological innovations.Differences in economic development may influence acceptance of novel technologies, as those who live in less developed countries may be more open to technological advancements that will bring about economic advancement, whereas those who live in more developed societies may be more focused on the risks of new technologies.Finally, religious beliefs can play an important part in technological acceptance or resistance.In the United States, adults who expressed a high level of religious commitment were more likely to view new technologies such as gene editing as meddling with nature, while adults who expressed a low level of religious commitment were more likely to view new technologies positively.Education level additionally correlates with acceptance to technological innovation.Cultural factors may also account for the differences in technological acceptance; further research is required in this area.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,001
score de la tête « metaresearch » (Gemma)0,017
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: Observationnel
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,007
Score d'incertitude au seuil0,024

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0010,017
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,001
Bibliométrie0,0010,001
Études des sciences et des technologies0,0000,000
Communication savante0,0010,001
Science ouverte0,0000,001
Intégrité de la recherche0,0010,001
Charge utile insuffisante (le modèle a refusé de juger)0,0070,001

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.

Tête enseignante Opus0,006
Tête enseignante GPT0,239
Écart entre enseignants0,234 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeObservationnel
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations0
Publié2024
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueProceedings of the World Congress on New TechnologiesMême sujetBiomedical and Engineering EducationTravaux en français237 207