Factors influencing user decision of telemedicine applications in Thailand
Notice bibliographique
Résumé
Telemedicine applications have been used worldwide to support the healthcare system in both private and government sectors. However, the factors influencing users' decisions to use the telemedicine application have not been well determined. Exploratory cross-sectional research was conducted using an offline and online questionnaire on Thai individuals aged 18-65. The recruitment period for this study spanned from December 25, 2023, to March 25, 2024, utilizing quota sampling to ensure representation across different regions of Thailand. The objectives were to estimate the proportion of individuals using telemedicine applications and to identify significant determinants of the decision to use telemedicine applications, including Acceptance and Use of Technology, the information systems (IS) Success Model, Trust, and Perceived Risk factors. Exploratory factor analysis (EFA) was used to identify potential latent factors from the 62-item multidimensional questionnaire. Multiple linear regression was used to identify significant determinants of using telemedicine applications. EFA was performed to group 62 variables into 6 latent factors, including trust, ease of use, system quality, benefits of use, price, and service quality. Of 385 Thai individuals, the proportion of those who use telemedicine applications was 63.63%. All six determinants significantly influenced the decision to use telemedicine applications. The factors influencing individuals' decisions to use telemedicine applications include trust, ease of use, system quality, benefits of use, price, and service quality.
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 | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 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 ».