Satisfaction with wheelchairs and associated factors among older adults with disabilities in Sichuan, China: a cross-sectional study
Notice bibliographique
Résumé
There is a lack of literature examining the level of satisfaction with assistive devices among older adults with disabilities and the related factors that affect their satisfaction in China. This study aimed to assess satisfaction with wheelchairs and identify associated factors among older adults with disabilities. A cross-sectional survey was conducted in Sichuan Province, China, utilising a facility-based approach to recruit participants from rehabilitation centres and community care facilities. A total of 710 older adults with disabilities who use wheelchairs were surveyed using a baseline data questionnaire designed by the authors. Convenience sampling was employed to recruit participants. The satisfaction level was assessed using the Quebec User Evaluation of Satisfaction with Assistive Technology. K-means clustering categorised satisfaction profiles, and binary logistic regression analysed predictors. Two distinct clusters emerged: a High-Rating group (62.3%, n = 442) and a Low-Rating group (37.7%, n = 268). Formal assistive device education was the strongest predictor of high satisfaction (aOR = 2.44, 95% CI:1.56–3.84, p < 0.001), followed by self-perceived education need (aOR = 1.52, 95% CI:1.02–2.27, p = 0.041). The largest satisfaction gaps were in professional services (Δ = 1.46, Cohen’s d = 2.35), follow-up services (Δ = 1.42, d = 2.29), and ease of use (Δ = 1.45, d = 2.39). Cost dissatisfaction was pervasive across groups. Device education and service quality—particularly post-purchase support—are critical drivers of satisfaction. Policy priorities include: 1) mandatory training at device provision points, 2) standardised after-sales service systems, and 3) cost-reduction initiatives.
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 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 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,007 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,001 |
| 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, 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 ».