“Is This Thing On?: Measuring Technology Self-Efficacy Influence on Cardiac Rehabilitation Patients’ Adoption of a Virtual Care Platform
Notice bibliographique
Résumé
Background: The COVID-19 pandemic accelerated the adoption of virtual cardiac rehabilitation (vCR) delivery models. Understanding patient-level factors, such as technology self-efficacy (SE), is crucial for enhancing vCR adoption and ensuring its long-term sustainability. However, no validated tool exists to assess technology SE specifically for vCR. This paper outlines the initial phase of a quality-improvement project focused on developing a survey to assess technology SE among patients with access to videoconferencing (VC) technology in a vCR program. Methods: A 30-item technology SE survey was developed by adapting items from validated instruments to prospectively assess technology SE in vCR and was tested for internal consistency. Results: = 0.009). Although no significant differences were found in overall self-reported technology skills, novel technology use SE, or healthcare technology-related attitudes, VC attendees scored significantly higher on a measure of healthcare technology SE and demonstrated greater confidence in tasks such as opening a Web browser, clicking hyperlinks, downloading apps, and using novel technologies. Conclusions: This quality-improvement initiative highlights disparities in technology SE that may impact participation in vCR programs. Addressing these gaps through targeted screening and interventions could enhance vCR accessibility and equity. Future research should focus on validating SE tools modified for vCR settings and exploring associated interventions to improve technology SE and patient vCR adoption.
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 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| 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 ».