Adapting the Technology Acceptance Model to Examine the Use of Information Communication Technologies and Loneliness Among Low-Income, Older Asian Americans: Cross-Sectional Survey Analysis
Notice bibliographique
Résumé
Background Loneliness is a significant issue among older Asian Americans, exacerbated by the COVID-19 pandemic. Older age, lower income, limited education, and immigrant status heighten loneliness risk. Information communication technologies (ICTs) have been associated with decreased loneliness among older adults. However, older Asian Americans are less likely to use ICTs, particularly if they are immigrants, have limited English proficiency, or are low income. The Technology Acceptance Model posits that perceived usefulness (PU), and perceived ease of use (PEOU) are key factors in predicting technology use. Objective This study aimed to examine associations between PU, PEOU, ICT use, and loneliness among low-income, older Asian Americans. Methods Cross-sectional survey data were gathered from predominately older Asian Americans in affordable senior housing (N=401). Using exploratory factor analysis and Horn parallel analysis, we examined 12 survey items to identify factors accounting for variance in ICT use. We deployed structural equation modeling to explore relationships among the latent factors and loneliness, adjusting for demographic and cognitive factors. Results Exploratory factor analysis and Horn parallel analysis revealed 3 factors that accounted for 56.48% (6.78/12) total variance. PEOU combined items from validated subscales of tech anxiety and comfort, accounting for a 28.44% (3.41/12) variance. ICT use combined years of technological experience, computer, tablet, and smartphone use frequency, accounting for 15.59% (1.87/12) variance. PU combined 2 items assessing the usefulness of technology for social connection and learning and accounted for a 12.44% (1.49/12) variance. The 3-factor structural equation modeling revealed reasonable fit indexes (χ2133=345.132; P<.001, chi-square minimum (CMIN)/df = 2595, comparative fit index (CFI)=0.93, Tucker-Lewis Index (TLI)=0.88). PEOU was positively associated with PU (β=.15; P=.01); PEOU and PU were positive predictors of ICT use (PEOU β=.26, P<.001; PU β=.18, P=.01); and ICT use was negatively associated with loneliness (β=–.28, P<.001). Demographic and health covariates also significantly influenced PU, PEOU, ICT use, and loneliness. English proficiency and education positively predicted PEOU (r=0.25, P<.001; r=0.26, P<.001) and ICT use (β=1.66, P=.03; β=.21, P<.001), while subjective cognitive decline and Asian ethnicity were positively associated with loneliness (β=.31, P<.001; β=.25, P<.001). Conclusions This study suggests that targeted interventions enhancing PU or PEOU could increase ICT acceptance and reduce loneliness among low-income Asian Americans. Findings also underscore the importance of considering limited English proficiency and subjective cognitive decline when designing interventions and in future research.
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 enseignantsNi 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.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,007 | 0,010 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,002 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 source (Gemma direct ou Codex distillé), 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 ».