The Prevalence and Predictors of Digital Proxy Behavior in the United States: Cross-Sectional Survey Study
Notice bibliographique
Résumé
Background: As dependent adults increasingly require help with managing web-based financial and medical tasks, caregivers often step in to assist-sometimes informally, by sharing login credentials. Despite growing reliance on such digital proxies, limited data exist on the scale of this behavior, who performs it, and how they access accounts. Informal access practices may pose privacy and security risks and increase the potential for elder abuse. Objective: The aim of this study is to quantify the prevalence of digital proxy behavior in the United States, identify demographic and caregiving predictors of proxy roles, and examine the extent of formal versus informal access methods in medical and financial domains. Methods: A nationally representative survey (n=657) was conducted among US adults from December 2022 to February 2023. The survey assessed the participants' life experience of digital proxy behavior, physical caregiving, demographics, and methods and motivations for accessing others' digital accounts. Logistic regression models were used to analyze predictors of financial and medical digital proxy behavior separately. Results: In the United States, digital proxy behavior is prevalent and often driven by usability challenges rather than the care recipient's physical or cognitive limitations. Roughly 49% of respondents reported having had digital proxy duties, with 59% assisting in both medical and financial domains. Predictors of being a digital proxy included being younger, male, more educated, and providing physical care. Additionally, higher income predicted financial proxy behavior, while having more siblings and being from a majority ethnicity predicted medical proxy behavior. Approximately one-third of digital proxies used informal access methods-translating to about 18 million adults nationally. About 10% of the sample logged on by knowing the account owner's credentials, and about 7% of the sample used the accounts without the owner's presence. Older female proxies were more likely to use formal access methods. Conclusions: Informal access practices are widespread and pose potential risks to vulnerable adults. Although most proxies used formal access when available, a significant portion have used insecure, informal methods. Policymakers and system designers should aim to promote secure, user-friendly proxy features and balance access with monitoring mechanisms that balance usability, privacy, and abuse prevention.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,002 |
| 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 | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 source (Gemma direct ou Codex distillé), 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 ».