Understanding and guiding technology use in dementia: a pan-European mapping and consensus study
Notice bibliographique
Résumé
Introduction Dementia is a leading cause of disability worldwide, and its prevalence is expected to rise significantly by the year 2050. Assistive technologies (AT) have emerged as promising tools to promote independence and quality of life. The COVID-19 pandemic prompted an increased uptake of AT among people with dementia, exposing important limitations in digital literacy, accessibility, and support. Methods This pan-European study mapped recent research initiatives involving digital technology use by people with dementia during the pandemic and synthesised a set of recommendations for supporting the use of AT by people with dementia, and its development, using the Delphi method. Results The mapping exercise identified 28 relevant projects, highlighting the types of technologies used during the pandemic and the settings in which they were implemented. Video-conferencing platforms were the most reported projects. More than half of the projects and initiatives ( n = 17) were adapted to include digital technologies due to the pandemic. The subsequent Delphi consensus study incorporated input from experts by experience and produced 18 evidence-based recommendations, adapted from this mapping exercise and a previous scoping review. Discussion Key findings emphasise involving people with dementia in technology design, ensuring equitable access, and providing adequate training and support. The recommendations offer a practical, consensus-based framework to improve the efficacy of AT adoption, with implications extending beyond pandemic contexts to improve dementia care globally.
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 | 0,000 |
| 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 | 0,000 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| 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 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 ».