Technology use in long-term care during the COVID-19 pandemic: A qualitative study of paid employees’ experiences in Western Canada
Notice bibliographique
Résumé
Background: During the COVID-19 pandemic, governments across the world implemented processes and policies to limit the spread of COVID-19, especially in long-term care (LTC) homes. This led to changes in technology use for persons living in LTC homes, their families and friends, as well as the paid workforce dedicated to caring for them. Objective: The study describes the role of technology and its impact on the experiences of LTC staff working in northern and rural areas in Western Canada during COVID-19. Methods: A secondary analysis of semi-structured interviews with 52 LTC staff was conducted. Qualitative data was analysed thematically using Braun and Clarke's thematic analysis approach. Results: Analysis of the study data revealed that new and innovative uses of technology emerged in the LTC setting during COVID-19, including technologies to support communication and collaboration with medical and health care professionals external to the LTC homes. Video-conferencing technology were rapidly implemented to facilitate virtual visits for LTC residents to connect to their families, further new streaming services were introduced to support recreational activities, including live music and spiritual services. LTC residents required significant support from staff to participate in virtual activities. Inadequate Internet infrastructure and scheduling difficulties in the context of severe staff shortages created challenges in technology adoption. Conclusions: This research provides insight into how technology can support LTC teams in northern and rural communities, as well as supports needed for LTC residents and staff to integrate technology effectively. The study informs actionable insights for those working in rural LTC settings.
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 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| 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 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 ».