Adaptation in communication technology utilization: caring for individuals with chronic conditions in South Asia during the Covid-19 pandemic
Notice bibliographique
Résumé
BACKGROUND: During the Covid-19 pandemic, people with chronic conditions experienced delayed or missed care, while their carers endured social isolation, loneliness, and reduced support. Information communication technology (ICT) can be utilized to encourage continuity of care, address misinformation, and allocate support. This study aimed to identify factors associated with the ICT adaptation of South Asian carers of individuals with chronic conditions by comparing changes in ICT utilization and preferences before and during the pandemic. METHOD: 416 South Asian carers reporting feelings of loneliness and isolation were identified from the Coping with Loneliness, Isolation and Covid-19 (CLIC) online survey. Descriptive statistics and multinomial regression models were utilized. RESULT: The most commonly used ICT modality was auditory, followed by written and audio-visual. Four variables identified were: social network size and relationship proximity, Covid-19-induced distress, age, and living arrangements. We identified a negative correlation between social network size and ICT frequency/intensity, reductions in communication frequency/intensity associated with Covid-19-induced distress, working-age carer (18-60) preference adaptation toward written communication during the pandemic, written and auditory ICT fluency in carers spending time alone by choice, and aversion from auditory ICT in carers who lived and were often alone involuntarily. CONCLUSION: The findings provide insights into South Asian carers' ICT usage, preferences, and adaptation in response to the pandemic. The findings aid in the development of health and social care pathways that fulfil local caregivers' unmet support and resource needs.
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 | 0,002 | 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 | 0,001 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 ».