Strategies for sustainable adoption of e-health tools for digital mental health services
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Orientation: The use of electronic (e-health) tools in digital mental health services (DMHS) at South African (SA) higher education institutions (HEIs) has rapidly increased because of the coronavirus disease 2019 (COVID-19) pandemic.Research purpose: The main purpose of this study was to evaluate how the university staff perceived the effectiveness of different strategies implemented for the sustainable adoption of e-health tools in DMHS.Motivation for the study: Despite the increasing availability of e-health tools, there is limited understanding of how university staff perceive the effectiveness of different sustainability strategies.Research approach/design and method: The study utilised a quantitative approach and surveyed 348 university staff at a SA HEI. Data analysis utilised descriptive statistics and one-sample t-tests.Main findings: The findings highlight funding, financial incentives, digital inclusion programmes and stakeholder engagement as crucial strategies for sustainable adoption. University staff emphasised the importance of training, digital health literacy campaigns, robust data privacy and security systems, and multilingual e-health services. In addition, hybrid e-health models and continuous evaluation emerged as essential strategies.Practical/managerial implications: University management should prioritise financial investments, stakeholder engagement and digital literacy programmes to improve the adoption of e-health tools. Strengthening data security, integrating hybrid service models and ensuring multilingual accessibility can further support sustainable DMHS.Contribution/value-add: This study provides evidence-based strategies for the sustainable adoption of e-health tools in SA HEIs, which thus enhance DMHS and inform policy and practice.
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.
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 | 0,000 |
| 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 | 0,001 |
| 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 découle