Using Voice-Activated Technologies to Enhance Well-Being of Older Adults in Long-Term Care Homes
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
Background and Objectives: Information communication technologies (ICTs) can enhance older adults' health and well-being. Most research on the use of voice-activated ICTs by older adults has focused on the experiences of individuals living in the community, excluding those who live in long-term care homes. Given evidence of the potential benefits of such technologies to mitigate social isolation and loneliness, more research is needed about their impacts in long-term care home settings. With this in mind, we evaluated impacts and engagement of older adults with voice- and touchscreen-activated ICTs in one long-term care home in Canada. Research Design and Methods: Interviews were conducted with older adults who were provided with a Google Nest Hub Max and with staff as part of a larger implementation study. Participants completed semistructured interviews before the technology was implemented, and again at 6 and 12 months. The interviews were recorded, transcribed, and analyzed using thematic analysis techniques. Results: We found that residents primarily used the technologies to engage in self-directed digital leisure and to engage with others both in and outside the home, and that this in turn enhanced their comfort, pleasure, and social connectedness. We also identified ongoing barriers to their engagement with the technology, including both personal and structural factors. Discussion and Implications: Our findings suggest that implementation of voice-activated ICTs can bring added value to broader efforts to improve well-being and quality of life in long-term care by enhancing choice, self-determination, and meaningful relationships.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,002 | 0,007 |
| 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