Notice bibliographique
Résumé
Early trials of Electronic Personal Health Records (ePHRs) show they provide two strong benefits: better healthcare outcomes and lower taxpayer costs. However, consumers are concerned about the possible loss or misuse of personal health data. For people to adopt ePHRs, they must trust both the system and the operating organization. The model presented here studies consumers’ likelihood of adopting ePHRs, combining trust, distrust, risk, motivation, and ease of use; as well as their perceptions of government, software vendors, and physicians as providers of ePHRs. Based on the Technology Acceptance Model, and incorporating elements of trust-distrust dualism and perceived risk, the model was tested empirically using survey data from 366 Canadian adults. The model explains 52 percent of the variance in the intention to use an ePHR, with strong negative effects from perceived risk and distrust, and strong positive effects from trust and perceived usefulness. Other findings include further evidence that trust and distrust are different constructs, not ends of a spectrum; that Canadians’ relationship with their healthcare system is complex; and that the risks in using an online system can be overcome by the perceived benefits. Open-ended responses show that people generally trust their doctors, but are sceptical that a doctor could provide a secure ePHR. Responses indicated that participants liked the consolidation of data and ease of access, but feared loss of privacy.
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) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,410 | 0,004 |
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; les deux têtes enseignantes s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».