Reflexive case studies on conducting technology implementation research in long-term care homes
Notice bibliographique
Résumé
Background: Technological advancements offer the potential to address healthcare challenges, such as improving residents' quality of life in long-term care homes (LTCHs). However, there is often a mismatch between developed technologies and the actual needs of residents and staff, leading to poor adoption. Researchers conducting research on developing and implementing technologies in LTCHs face unique challenges. Understanding these challenges is crucial for enhancing technology adoption and sustainability in LTCHs. Methods: This qualitative reflection study is about the experiences of two technology implementation projects in British Columbia and Ontario, Canada. Researchers from the Telepresence Robot and MouvMat projects participated in four reflection sessions. Using reflexive thematic analysis, we identified themes and gained valuable insight into the experiences, lessons learned, and recommendations. Results: Both projects faced challenges in recruitment, accommodating individual residents' needs and routines, staff shortages and turnover, and logistics barriers due to infrastructural limitations and changing guidelines. The Telepresence Robot and the MouvMat teams implemented a range of adaptive strategies. These included frequent check-ins with families, creating appropriate training materials, co-developing tailored solutions, flexible recruitment approaches, staff engagement tactics, and personalized support. Conclusion: The lessons learned highlighted the need for adaptive strategies in conducting research in LTCHs. The study calls for structural support and partnerships between academics and practice locally, nationally, and internationally, as well as efforts to combat ageism in technology use. Researchers need support for knowledge translation and sharing findings to highlight the value of staff participation and showcase research benefits.
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 | 0,233 | 0,248 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,002 |
| Méta-épidémiologie (sens large) | 0,002 | 0,002 |
| Bibliométrie | 0,005 | 0,004 |
| Études des sciences et des technologies | 0,020 | 0,029 |
| Communication savante | 0,016 | 0,019 |
| Science ouverte | 0,009 | 0,020 |
| Intégrité de la recherche | 0,009 | 0,010 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,008 | 0,002 |
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 ».