Acceptance of Digital Technology Among Nursing Staff in Geriatric Long-Term Care: Systematic Review
Notice bibliographique
Résumé
BACKGROUND: Digital technologies are increasingly being introduced into the healthcare system and in settings like hospitals and geriatric long-term care (LTC) facilities, offering potential benefits such as improved care quality, reduced workload or enhanced documentation processes. However, the success of these technologies depends also on the acceptance by the primary users, the nursing staff. OBJECTIVE: This review synthesizes empirical studies that have explored the acceptance of digital technologies by nursing staff in geriatric LTC settings, building upon the foundational work by Yu et al. (2009). The goal is to identify influencing factors, assess the extent of existing evidence and highlight research gaps in this care setting. METHODS: A systematic literature review was conducted following PRISMA 2020 guidelines. The SPIDER framework was used for eligibility criteria. Databases searched included PubMed, ACM Digital Library, Web of Science and the Health Administration Database ProQuest. Studies were included if they empirically examined the acceptance of digital technologies by nursing staff in geriatric LTC settings. Two reviewers independently screened the studies, extracted data and assessed methodological quality using the CASP (Critical Appraisal Skills Programme) checklist. RESULTS: A total of three studies met the criteria, highlighting a gap in research on this topic. The studies applied cross-sectional quantitative designs, highlighted critical determinants of technology acceptance, including perceived usefulness, ease of use, digital competence and organizational support. The studies involved a total of n=1,019 participants from Germany, Australia and The Netherlands. Barriers included lack of user involvement, lack of training, poor system design and demographic differences in digital affinity. CONCLUSIONS: This review shows that the acceptance of digital technologies by nursing staff in geriatric LTC settings is shaped by a constellation of individual factors, such as digital competence and perceived relevance of technology, as well as organizational factors like access to training and involvement of staff in the implementation process. Despite these insights, the limited number of empirical studies highlights a research gap in this care setting. To ensure sustainable digital transformation in geriatric LTC, future research should prioritize rigorous and participatory approaches, using longitudinal, intervention-based or multilevel study designs.
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 | 0,016 | 0,075 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,007 | 0,005 |
| Bibliométrie | 0,010 | 0,012 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,003 | 0,003 |
| Science ouverte | 0,002 | 0,002 |
| Intégrité de la recherche | 0,002 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 ».