Technology Access, Digital Literacy, and Enrollment Support Preferences in a Federally Qualified Health Center: Cross-Sectional Study
Notice bibliographique
Résumé
Background: Biomedical research studies are increasingly using digital tools to enroll, recruit, and collect data from participants. However, variability in digital literacy and technological acceptance can be challenging for recruitment from groups traditionally underrepresented in research, including those served by Federally Qualified Health Centers. Objective: This study aimed to (1) measure participant accessibility and comfort with digital platforms and (2) examine the interrelation of technology access, digital literacy, and support preferences during enrollment and data submission. Methods: A cross-sectional analysis was conducted using enrollment data from Federally Qualified Health Centers participating in the All of Us Research Program. Participants had the option of High-Touch (staff-assisted) or Low-Touch (self-directed) support for enrollment and survey completion. Survey items assessed internet access and technology comfort, while support type was recorded by the research staff based on participants' actual selection. Logistic regression models evaluated relationships between technology access, comfort, and enacted support type, while controlling for age, consent language, and education, as well as race and ethnicity. Results: The analytic sample included 605 participants. The majority reported access to the internet (539/605, 89.1%) and felt comfortable with technology (448/605, 74.1%). In the group requesting High-Touch support (n=346), 14.5% (n=50) reported no internet access, and 31.5% (n=109) felt uncomfortable with technology. In the group requesting Low-Touch support (n=259), 6.2% (n=16) had no access to the internet, and 3.9% (n=10) reported feeling uncomfortable (P<.001). In the adjusted models, much greater comfort with technology was significantly correlated with reduced odds of requesting High-Touch support (comfortable: adjusted odds ratio 0.118, 95% CI 0.055-0.255 and neutral: adjusted odds ratio 0.212, 95% CI 0.077-0.587), but internet access was not significantly correlated. Conclusions: The strongest predictor for support preference for digital enrollment among the participants was their comfort with technology rather than access alone. These findings illustrate the significance of participant-centric design methods coupling adaptive support paths, mixed enrollment strategies, and individualized onboarding methods aligned with digital confidence to promote equitable engagement in precision health research.
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 | 0,005 | 0,007 |
| 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 | 0,001 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 ».