Successful Aging Across Middle Versus High-Income Countries: An Analysis of the Role of eHealth Literacy Associated With Loneliness and Well-Being
Notice bibliographique
Résumé
BACKGROUND AND OBJECTIVES: "Successful aging" concerns the process of growing older while maintaining physical, cognitive, and social well-being, emphasizing independence for overall satisfaction and quality of life. We investigate the impact of eHealth literacy on reducing loneliness and sustaining well-being during the pandemic, comparing middle- and high-income countries. RESEARCH DESIGN AND METHODS: Online surveys were conducted between April 4, 2020, and September 30, 2021, collecting responses (N = 2,091) from medium- and high-income countries in Europe, Asia, and North America. T-tests and ANOVAs were used to test how sociodemographic predictors were associated with differences in e-Health literacy, loneliness, and well-being. RESULTS: Respondents from high-income countries reported significantly higher well-being scores than those from middle-income countries and respondents from high-income countries had significantly higher e-HEALS (e-Health literacy) scores compared to middle-income countries. No significant difference was observed in loneliness scores between high-income and middle-income country respondents. Well-being is associated with age, with younger adults (18-29 years) and those aged 40+ reporting higher levels. Higher education and income are linked to greater well-being. Gender differences are observed, with females and those with a partner reporting higher well-being. In middle-income countries, higher education levels are more linked to loneliness, while in higher-income countries, loneliness is observed across education levels. DISCUSSION AND IMPLICATIONS: Future interventions by governments and policymakers should consider intersectionality in e-Health planning and offer digital literacy and digital skills training to those with lower education levels.
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 | 0,004 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 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 ».