Evaluating the psychosocial impacts of e-care use among older people receiving long-term care in Slovenia through the adapted PIADS-10 scale
Notice bibliographique
Résumé
PURPOSE: Assistive technologies (ATs), including e-care, are increasingly vital in supporting the ageing population's long-term care; however, there is a scarcity of studies analysing the psychosocial impacts of e-care use among older people. The goal of this paper is twofold: first, to understand the psychosocial impacts of e-care use among older people receiving long-term care, and second, to evaluate the measurement properties of an internationally recognised self-report questionnaire, the Psychosocial Impact of Assistive Devices Scale (PIADS-10), specifically its multidimensionality and internal consistency of identified subscales. MATERIALS AND METHODS: A one-group post-test-only quasi-experimental intervention design was employed. Psychosocial impacts of e-care use were examined through an intervention study involving 217 older people in Slovenia, who tested e-care over an average period of 310.2 days. Participants were selected using purposive sampling. RESULTS: Findings revealed important enhancements in perceived security, sense of control, independence and overall quality of life among e-care users. Exploratory factor analysis of the PIADS-10 yielded two factors (psychological well-being and adaptability), supporting a reduced 8-item version (SI-PIADS-8), which was further supported through confirmatory factor analysis. CONCLUSIONS: These findings indicate that the PIADS-10 could be refined to an 8-item, two-factor version with improved relevance for assessing psychosocial impacts among older adults using e-care. Such insights can help stakeholders design and adapt ATs that better support ageing in place.
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 | 0,009 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,007 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 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 ».