Effect of Demographic Factors on Openness to Medical Technology
Notice bibliographique
Résumé
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 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 | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 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 ».