Knowledge, attitudes and perception of medical and nursing students towards telemedicine/telehealth
Notice bibliographique
Résumé
Introduction: Despite widespread use of advanced technology in a range of health applications, telemedicine is still in its infancy. Acceptance of telehealth/telemedicine strategies in health-care has increased significantly, in part due to the COVID-19 pandemic. Previous studies indicate a significant gap in preparation of healthcare providers in e-medicine concepts, despite some exposure to telemedicine during training. The purpose of this study was to explore knowledge, attitudes, and perception to gauge the readiness of medical and nursing students to engage in telemedicine. Methods: Using a cross-sectional research design, a 26-item questionnaire was administered electronically to nursing and medical students attending institutions in the Southern United States. Results: A total of 109 students completed the survey. The mean age of participants was 28.28 (SD=8.46). The majority of participants were nursing students (61.5%), female (82.6%), and white (74.3%). With regard to knowledge, only 23% feel the curriculum adequately prepared them for telemedicine/telehealth. Sixty percent of respondents said they agreed or strongly agreed that telemedicine lowers healthcare expenses, while 40% said it improves healthcare quality. Nearly a quarter (24%) reported that they are very/completely likely to use telemedicine in practice after graduation. Perceived obstacles in practicing telemedicine included technology that is difficult to use (31.2%), disinterest among clients (25.7%), and lack of adequate telemedicine training (20.2%). Discussion: This study demonstrated that health-care students have a perception that they are inadequately prepared for the challenges of telemedicine/telehealth, despite recognition of its potential value. Given the significant increase in the use of telemedicine/telehealth, additional studies are needed to design a more effective health-care curriculum to ensure proper preparation and instill confidence in the next generation of health-care providers.
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 | 0,001 | 0,006 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,005 | 0,001 |
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 ».