MétaCan
Menu
Retour à la cohorte
Enregistrement W4411713626 · doi:10.1177/20552076251354904

Reflexive case studies on conducting technology implementation research in long-term care homes

2025· article· en· W4411713626 sur OpenAlexaffabout
Lillian Hung, Joey Wong, Haniya Bharucha, Lily Haopu Ren, Charlene H. Chu

Notice bibliographique

RevueDigital Health · 2025
Typearticle
Langueen
DomaineHealth Professions
ThématiqueGeriatric Care and Nursing Homes
Établissements canadiensToronto Rehabilitation InstituteUniversity of TorontoUniversity Health NetworkUniversity of British Columbia
Organismes subventionnairesnon disponible
Mots-clésThematic analysisReflexivityQuality (philosophy)SustainabilityHealth careWorkforceKnowledge managementQualitative researchBusinessPublic relationsMedical educationPsychologyMedicineSociologyPolitical scienceComputer science

Résumé

récupéré en direct d'OpenAlex

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 distillée sur la base complète

Imitation des enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,001
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Qualitatif · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,887
Score d'incertitude au seuil0,729

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0010,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0010,001
Études des sciences et des technologies0,0010,000
Communication savante0,0000,000
Science ouverte0,0000,000
Intégrité de la recherche0,0000,001
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

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.

Tête enseignante Opus0,288
Tête enseignante GPT0,634
Écart entre enseignants0,346 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeQualitatif
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations1
Publié2025
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revueDigital HealthMême sujetGeriatric Care and Nursing HomesTravaux en français237 207