影响老年人接受和使用辅助技术服务的因素：一项纵向多层次分析

《International Journal of Medical Informatics》：Factors influencing older adults’ acceptance and usability of assistive technology services: A longitudinal multilevel analysis

　　劳拉·菲奥里尼（Laura Fiorini）| 贾斯敏·帕尼（Jasmine Pani）| 埃里卡·罗维尼（Erika Rovini）| 格拉齐亚·多诺弗里奥（Grazia D’Onofrio）| 朱塞皮娜·伊安娜科内（Giuseppina Iannacone）| 塞尔吉奥·鲁索（Sergio Russo）| 弗朗切斯科·朱利亚尼（Francesco Giuliani）| 莱蒂齐亚·洛鲁索（Letizia Lorusso）| 拉拉·托卡丰迪（Lara Toccafondi）| 诺维拉·卡拉米达（Novella Calamida）| 菲利波·卡瓦洛（Filippo Cavallo）
佛罗伦萨大学工业工程系，意大利佛罗伦萨

**摘要**
**目的**
辅助技术有潜力提高老年人的生活质量以及他们的护理者的生活质量。然而，在实际场景中的长期应用仍然有限，且影响持续使用非技术因素尚未得到充分探讨。本研究调查了社会人口统计、心理及护理相关变量如何随着时间影响辅助技术的接受度和可用性。

**方法**
78名居住在社区的老年人参与了一项为期一年的试点研究，评估了一个社交平台和健康/环境监测系统。在基线期、6个月和12个月时分别评估了可用性（SUS）和接受度（基于Almere模型的构念）。通过k-means聚类分析得出用户的社交人口统计和心理社会变量特征，并利用线性混合效应模型分析用户群体的纵向变化轨迹，同时结合回归模型测试独立预测因素。

**结果**
研究发现两种不同的基线用户群体，他们在年龄、数字技能、技术压力、孤独感和感知支持方面存在差异。群体归属性预测了在可用性和多个接受度维度上的不同纵向变化轨迹。具有较强数字适应能力的群体表现出更高的可用性和更积极的随时间变化趋势。在回归模型中，技术压力和孤独感始终是稳健的负面预测因素，且这种影响不受时间和情境的影响。流失分析未发现完成研究者和放弃参与者之间存在系统性差异。

**结论**
老年人对技术的接受度受到基线心理社会特征和数字能力的影响，而不仅仅是接触机会。将基线特征分析与纵向建模相结合，可以为理解老年人技术采纳的异质性提供框架，并突出可能需要改进的因素以支持其持续使用技术。

**1. 引言**
欧盟（EU）的中位年龄最高的国家是意大利，那里一半的人口年龄超过48.4岁。相比之下，整个欧盟的中位年龄为44.5岁。与2013年相比，欧盟人口的平均年龄每年增加0.23岁（约3个月），而在意大利这一增长幅度超过0.4岁（约5个月）[1]。随着年龄的增长，老年人更可能经历多种健康问题，逐渐影响其独立生活。目前，老年人的护理主要由家庭成员（尤其是成年子女）承担。随着亲子比例的下降，未来非正式护理者的数量减少，从而加剧了医疗系统的负担和社会成本。尽管在为老年人提供有效支持和协助方面存在挑战，但研究推动了辅助设备的发展。这些设备有望帮助护理者和医疗专业人员持续了解老年人的健康状况并提供远程护理。例如，欧洲的“环境辅助生活”（Ambient Assisted Living）项目正在支持开发促进健康、活跃和幸福老龄化相关的产品和服务（https://www.aal-europe.eu）。这些项目利用各种传感器、社交机器人和可穿戴设备来改善老年人的生活质量并提供护理支持。

事实上，这些技术的出现促使了“老年技术”（Gerontechnology）这一新术语的诞生，该术语指专为促进独立生活、支持在原地老化以及应对与年龄相关的能力下降而设计的技术[2]。老年技术可以应用于多个领域，如慢性病的自我管理、跌倒预防、远程医疗和远程护理系统的开发、辅助机器人以及促进社交和独立生活的个人设备。这些应用有助于与医疗和社会护理专业人员沟通，实现及时干预。以往的远程医疗研究表明，该技术可以减少出行时间和成本，对老年人（尤其是居住在农村地区的老人）具有重要意义[3, 4, 5]。尽管这些技术可以弥补护理者的不足并帮助需要帮助的老年人，但在技术需求与实际采纳之间存在差距。影响技术采纳的因素包括结构性和个人障碍（如歧视、社会经济地位和负担能力），以及信心不足、压力和焦虑、认知缺陷和不信任[6, 7, 8, 9]。数字基础设施的缺乏、数字鸿沟庞大和数字技能不足也会影响技术的使用。简而言之，实施健康和社会护理技术面临许多组织、经济和社会挑战。除了这些个人和社会人口统计因素外，技术使用的低水平还可能与技术的可靠性和易用性有关。现有文献尚缺乏基于单项目研究的全面分析，这些研究应涵盖老年人及其护理者，并将可用性和接受度测量结果与社交人口统计因素、感知生活质量和支持程度以及感知孤独感联系起来。

在此背景下，本文旨在探讨社会人口统计特征、生活质量、感知支持和技术相关压力如何影响老年人对辅助设备的接受度和可用性，以及这些关系如何随时间演变。具体而言，该研究通过为期一年的试点数据，识别出在技术接受度和可用性方面存在差异的老年人亚群。该试点涉及一系列旨在促进老年人社交和远程护理的技术。

**1.1. 相关研究**
存在多种经过验证的问卷用于评估技术接受度和可用性，如技术接受模型（Technology Acceptance Model, TAM）[10]及其扩展版本Senior TAM [11]。年龄、性别、教育程度、自我效能感和焦虑等因素会影响技术接受度，而用户特征（如性格特征[12]、性别、年龄、计算机技能和技术经验[13]）则会影响可用性和可靠性。

Bertolazzi等人（2024）[9]回顾了患有慢性疾病的老年人采纳健康技术的障碍和促进因素，为研究人员提供了参考。他们分析了29篇相关论文，这些论文涵盖了血压监测仪、智能家居技术、机器人、移动健康（mHealth）设备以及网络门户等辅助技术系统。然而，他们发现只有4篇论文报告了持续时间超过三个月的试验[14, 15, 16]，这突显了长期研究的必要性。最近的综述进一步证实，大多数关于老年人辅助技术的研究都是短期的（单次会话至多周，N=5–61），长期试验（>6个月）非常少，且现有研究通常针对特定临床亚群而非一般老年人群体。研究发现的障碍包括认知障碍、记忆力减退和整体认知衰退[17]，而年龄对技术使用的影响并不一致[9]。较低的数字技能[18]和对新技术的恐惧[19]也与较低的接受度相关。此外，一项研究将技术恐惧列为重要的心理生理因素[20]，另一项研究则发现数字素养与技术恐惧之间存在负相关关系[21]。2022年的一项综述表明，护理者对远程护理的接受度取决于技术的有用性和老年人-护理者之间的关系[22]。

在医疗服务中应考虑这些障碍和促进因素，因为不同用户的医疗服务利用情况各不相同。例如，用户可以分为四类：服务使用频繁的不健康老年人、服务使用较少的年轻健康男性、受教育程度高且得到社会支持的女性，以及主要依赖紧急护理的弱势群体[23]。一项芬兰人口研究根据健康服务使用情况划分了不同群体，这些群体在人口统计和社会经济地位以及健康状况上存在差异，这强调了根据不同用户群体定制服务的重要性，以便提前满足需求、优化护理整合、指导早期干预并最终提高服务质量[24]。特定特征有助于预测痴呆症患者的辅助技术采纳情况。虽然遗传标记与认知衰退有关，但它们可能无法可靠地预测采纳结果。相反，疾病阶段、共病情况、教育程度和职业背景等因素在预测采纳中起着重要作用[25]。医疗专业人员也可根据不同的临床特征划分为不同群体[26]。然而，大多数以往的研究都是横断面的，针对特定疾病或未直接涉及技术使用。因此，本研究旨在探讨影响老年人辅助技术长期接受度和可用性的因素，重点关注社会人口统计、健康相关和社会变量，包括来自正式和非正式护理者的感知支持。具体而言，本研究探讨了两个研究问题（RQ）：
• RQ1：基线用户特征是否能预测12个月内可用性和技术接受度的不同纵向变化轨迹？
• RQ2：在不考虑群体结构的情况下，哪些个体层面的社会人口统计和心理社会变量能够独立预测技术的长期可用性和接受度？

**2. 材料与方法**
**2.1. 系统描述**
Pharaon是一个欧洲项目（https://www.pharaon.eu/），旨在通过一系列集成和互操作的开放平台促进健康和活跃老龄化。该项目在五个欧洲国家展开了六个大规模试点：意大利、西班牙（安达卢西亚和穆尔西亚）、荷兰、葡萄牙和斯洛文尼亚。本文报告的意大利试点在阿普利亚和托斯卡纳两个地点招募了老年人参与者。经过需求分析后，根据用户需求制定了两种应用场景，并实施了为期一年的项目[19, 27]。这两种场景分别为“社交和刺激”以及“健康管理和监测”。

在社交服务中，托斯卡纳的电视和阿普利亚的平板电脑安装了相同的应用程序，旨在增强沟通、参与感和积极老龄化。该应用程序允许老年人玩认知刺激游戏（如数独、记忆游戏）、进行视频通话、发送消息以及与护理者、家人和朋友分享新闻和照片。监测服务利用传感器监测老年人家中的微环境参数和活动情况，包括空气质量、运动、温度和湿度等。老年人还配备了智能手表来记录日常步数等身体活动数据。两种应用的全貌在Lorusso等人[19]的研究中有所描述，并在图1中展示。

**2.2. 参与者**
老年人的纳入标准为年龄在60岁及以上，虚弱程度为轻度至中度。排除标准包括存在认知障碍、记忆障碍或参与困难。阿普利亚的参与者来自Casa Sollievo della Sofferenza研究医院，托斯卡纳的参与者来自Umana Persone社会企业网络。该研究获得了当地伦理委员会的批准：阿普利亚的批准时间为2021年6月14日（协议号1669/01），托斯卡纳的批准时间为2021年7月22日（USL Toscana Sud-Est机构，协议号2021/000227）和2022年10月18日（USL Toscana Centro机构，协议号2022/22131）。所有参与者均签署了书面知情同意书。

**2.3. 实验方案**
两种服务均在参与者家中安装了数字技术，培训结束后，老年人和正式及非正式护理者可以自由使用这些技术[28]。培训由技术专家提供，分为三个阶段：1）技术讲解和使用方法；2）老年人实际操作技术；3）通过问卷进行培训效果评估。初始培训通常持续20–30分钟。参与者还获得了定制的用户手册以复习培训内容，以及在线资源链接。如果老年人或其非正式护理者无法解决问题，正式护理者会提供帮助。对于无法解决的 issues，可以在GitHub上记录和跟踪，这些问题也在在线会议中讨论。每周或每两周会与技术提供者进行在线会议以解决技术问题。正式护理者随时可进行再次解释或提供补充培训。培训后，参与者可根据需要自主使用系统。我们没有规定具体的使用指南（例如每周至少使用一次系统），以模拟现实使用情况。培训细节在之前的研究[28]中已有报道。数据是在不同时间点收集的：基线时（T0）、使用六个月后（T6）以及使用十二个月后（T12）。请参考表1了解评估框架的概述，详细信息在“用户测量”部分中报告。

表1. 评估框架及相关时间线。

| 测量指标 | 时间点 | 描述 |
|---------------|-------------|--------------------------------------|
| 社会人口统计 | T0 | 出生日期、性别、教育水平、数字技能 |
| 认知状态 | T0 | MMSE [29] |
| 孤独感 | T0 | UCLA [30] |
| 生活质量 | T0 | EQ-5D-3L [31] |
| 技术压力 | T0 | 适应性感知压力量表 [32] |
| 感知社会支持 | T0 | MSPSS [33] |
| 技术使用 | T0 | 系统可用性量表 [34] |
| 可接受性 | T0 | Almere模型 |

2.4. 用户测量
人口统计数据包括出生日期、性别、教育水平、数字技能，以及是否与智能助行器（IA）同住；如果不同住，还会记录IA来访的频率。参与者的年龄以年为单位计算，通过招募日期与出生日期之差得出。性别分为女性和男性。教育水平根据国际教育标准分类（ISCED）分为三个级别：低（ISCED 0–2）、中等（ISCED 3–4）和高（ISCED 5–8）。数字技能的选项为“无”、“有一定经验”或“熟练/精通”。

MMSE [29]是一种用于评估认知状态的神经心理学问卷。该测试包含六个部分，每个部分都针对不同的认知领域进行评估。每个问题都对应一个分数，将所有分数相加得到总分，范围从0到30分。分数会根据教育水平进行调整，低于26分表示认知功能轻度或严重受损，而26到30分则表示认知功能正常。

孤独感通过UCLA孤独感量表[30]进行测量，该量表包含20个项目，回答选项为“从不”（得分为1）、“很少”（2）、“有时”（3）和“经常”（4）。其中项目1、5、6、9、10、15、16、19和20是反向计分的。总孤独感得分是通过将所有项目的得分相加得出的。

生活质量通过EQ-5D-3L [31]进行评估。在本研究中，我们使用了生活质量视觉量表（VAS），这是一个从0（最差的健康状况）到100（最佳的健康状况）的评分体系。

技术压力通过适应性感知压力量表[32]的版本进行测量。该问卷包含10个项目，采用5点李克特量表，0表示“从不”，4表示“非常经常”。项目4、5、7和8的得分需要反向计算，总技术压力得分是通过将所有项目的得分相加得出的。

感知社会支持通过MSPSS [33]进行测量。该问卷包含12个项目，采用1到7的评分体系，表示强烈不同意到强烈同意。总感知支持得分是通过将所有项目的得分相加后再除以12得出的。

2.5. 技术测量
系统的可用性通过系统可用性量表（SUS）[34]进行评估，这是一个包含10个项目的5点李克特量表，1表示强烈不同意，5表示强烈同意。偶数编号的项目是反向编码的，奇数编号的项目保持不变。可用性得分是通过将所有项目的得分相加后再乘以2.5得出的。SUS得分范围从0到100，高于68分（第50百分位数）的被认为是可接受的。

技术接受度通过Almere模型问卷（AMQ）[35]进行评估，这是一个包含41个项目的5点李克特量表。AMQ由12个构念组成，分别是焦虑（ANX）、对技术的态度（ATT）、使用意愿（ITU）、 enjoyment（ENJ）、感知有用性（PU）、社会影响（SI）和信任（TRUST）。由于焦虑（ANX）是反向计分的，因此较高的ANX得分表示较低的焦虑水平。

2.6. 数据分析
为分配到两种情景的参与者计算了描述性统计量。使用Shapiro-Wilk正态性检验评估数据的正态性。应用参数和非参数检验来识别两组之间的差异，如果发现统计上显著的结果，则计算最合适的效应量——Cohen’s d（d）、phi（?）、Cramer’s V（V）和Wilcoxon效应量（r）。如果参与者在问卷回答中有缺失项，则使用相应构念的平均值进行插补。使用Cronbach Alpha（α）评估问卷的可靠性，可靠性截止值为α>0.70。

使用K-Means聚类技术（欧几里得距离，100次重复）揭示了参与者的社会学特征轮廓。使用轮廓指数确定最佳簇数并评估其分离度。在T0时刻测量的用户特征（即年龄、教育水平、数字技能、生活状况、技术压力、UCLA、VAS、MSPSS）作为聚类输入，经过Z分数标准化处理。通过自助法重采样（500次迭代）评估簇的稳定性。每次迭代都重复k-means聚类，并使用调整后的Rand指数（ARI）与原始解进行比较。为了验证簇的球形性，在特征标准化后检查了簇的结构。

进行了线性混合效应模型（LMMs）分析，以研究技术接受的纵向轨迹和不同群体间的差异。模型包括了参与者的随机截距和固定效应，以及时间（T0、T6、T12）、情景（监控 vs. 社交化）、簇（1 vs. 2）及其交互作用（Time × cluster）。在12个月时（T12）检查了受访者流失情况。为了评估基线特征之间的流失差异，我们进行了卡方独立性测试，比较了T0时识别的各组之间的退出状态。

为了研究独立于参与者特征的总体纵向和情境效应，我们拟合了最大似然LMMs，其中包括时间（T0、T6、T12）和情景（监控 vs. 社交化）作为固定效应，以及基线协变量（VAS、技术压力、UCLA、年龄、数字技能、教育）和参与者的随机截距。对于流失情况，我们采用了逻辑回归模型来分析退出的基线预测因素。使用Cook’s距离评估模型影响。保守的阈值设为4/n。

3. 结果
3.1. 参与者特征
共招募了86名参与者来测试这些服务。有13名参与者在研究的不同时间点退出（T0之前6人，T6之前2人，T12之前5人）。分析仅针对至少在研究中持续了6个月的参与者进行，因此共考虑了78名参与者。流失流程图见图2。在这个数据集中，只有一项数据缺失。

图2. 流失图显示了招募情况、每个时间点的参与者数量和退出者数量。请注意，在T6时，分析中包含的参与者人数为76人，因为有2名参与者未填写AMQ问卷。

表2展示了按情景划分的参与者的基线人口统计特征。社交化情景中的女性比例显著高于男性（p = 0.02，V = 0.26），但其他情景之间没有发现显著差异。

表2. 研究参与者在基线时的人口统计特征的集中趋势和百分比。信息按总体人群和服务分组报告。

3.2. 使用聚类分析识别老年人群体特征
使用T0时测量的社会人口统计数据，即年龄、教育水平、VAS、UCLA、MSPSS、数字技能、技术压力、生活状况作为聚类分析的输入。轮廓方法确定最佳簇数为k = 2（轮廓指数 = 0.45），因此进行了k = 2的k-means聚类分析。视觉检查表明，聚类主要沿着第一个主成分分离，簇显得紧凑且没有明显的非凸形或拉长结构。平均ARI为0.77（SD = 0.22），表明识别出的簇具有中等稳定性。两个簇的大小不同，但在两种情景中的分布大致相等。这两个簇在T0时具有不同的用户特征（见补充材料）。具体来说，簇2比簇1更年轻，数字技能更高，感知到的支持也更高。此外，簇2感到较少的孤独感和技术压力。因此，我们将这两个簇分别称为数字脆弱群体（DVP）和数字韧性群体（DRP）。图3.a展示了两个簇的社会人口统计特征箱形图。

3.3. 基线用户特征指导技术接受的差异性纵向轨迹
计算了所有AMQ领域和SUS的Cronbach alpha值。SUS（α=0.88）、ANX（α=0.82）、ATT（α=0.83）、ITU（α=0.97）、TRUST（α=0.87）和PU（α=0.71）显示出满意的内部一致性（α>0.70）；由于FC、PEOU和SI的内部一致性较低（α<0.70），因此从后续分析中排除。

DRP簇在分析的6个领域中，有4个领域显示出随时间增加的接受度和可用性得分（见图3）。对于SUS，簇和情景的主效应显著。DRP组的参与者报告的总体可用性得分高于另一个簇（β=16.93，95%CI[9.64,24.23]，p调整后<0.001），而社交化情景与监控情景相比，SUS得分较低（β=-7.15，95%CI[-12.75,-1.54]，p调整后=0.03）。尽管时间的主效应不显著，但时间×簇的交互作用显著。特别是，DRP（更具有韧性）簇在T12时相对于DVP簇有相对增长（β=9.71，95%CI[2.77,16.66]，p调整后=0.02），尽管在T6时的对比不显著（见图3g）。

对于PU，时间的主效应显著，表现为T12时相比基线有所下降（β=-0.52，95%CI[-0.85,-0.19]，p调整后=0.01）（见图3e）。对于ITU，DRP簇的总体得分高于另一个簇（β=0.63，95%CI[0.19,1.07]，p调整后=0.03）（见图3d）。对于信任，时间的主效应不明显，但时间×簇的交互作用显著。DRP簇在T12时相对于DVP簇有相对增长（β=0.90，95%CI[0.36,1.44]，p调整后=0.001）（见图3f）。对于ATT，时间效应较小（例如，T12 vs. T0：β=-0.36，95%CI[-0.72,-0.01]），并在交互作用模型中校正后不再显著（见图3c）。对于ANX，簇的主效应显著，DRP簇报告的焦虑水平总体较高（β=1.08，95%CI[0.75,1.41]，p调整后<0.001）。值得注意的是，ANX得分是反向计算的（见图3b）。

表3和补充材料中分别报告了完整的固定效应估计值、置信区间和方差分量、调整后的p值。基线簇之间的流失情况没有差异（χ2(1)=0.23，p=0.63）。

3.3. 基线用户特征指导技术接受的差异性纵向轨迹
所有AMQ领域和SUS的Cronbach alpha值均满足要求（α≥0.80）。由于FC、PEOU和SI的内部一致性较低（α<0.70），因此未将其纳入后续分析。

DRP簇在分析的6个领域中，有4个领域显示出随时间增加的接受度和可用性得分（见图3）。对于SUS，簇和情景的主效应显著。DRP组的参与者报告的总体可用性得分高于另一个簇（β=16.93，95%CI[9.64,24.23]，p调整后<0.001），而社交化情景与监控情景相比，SUS得分较低（β=-7.15，95%CI[-12.75,-1.54]，p调整后=0.03）。虽然时间的主效应不显著，但时间×簇的交互作用显著。具体来说，DRP（更具韧性）簇在T12时相对于DVP簇有相对增长（β=9.71，95%CI[2.77,16.66]，p调整后=0.02），而在T6时的对比在校正后不显著（见图3g）。对于PU，时间的主效应显著，表现为T12时相对于基线的下降（β=-0.52，95%CI[-0.85,-0.19]，p调整后=0.01）（见图3e）。对于ITU，DRP簇的总体得分高于另一个簇（β=0.63，95%CI[0.19,1.07]，p调整后=0.03）（见图3d）。对于信任，时间的主效应不显著，但时间×簇的交互作用显著。DRP簇在T12时相对于DVP簇有相对增长（β=0.90，95%CI[0.36,1.44]，p调整后<0.001）（见图3f）。对于ATT，时间效应较小（例如，T12 vs. T0：β=-0.36，95%CI[-0.72,-0.01]），并在交互作用模型中校正后不再显著（见图3c）。对于ANX，簇的主效应显著，DRP簇报告的焦虑水平总体较高（β=1.08，95%CI[0.75,1.41]，p调整后<0.001）。值得注意的是，ANX得分是反向计算的（见图3b）。

所有分析和可视化都是使用Matlab 2024b（Mathworks，美国）完成的。社会化场景在完全调整的模型中显示出与系统可用性（SUS）之间存在轻微的负相关，尽管这种效应在经过p值调整后并未始终保持显著。对于感知效用（PU），时间因素有显著的主效应，表现为在T6时期（β=-0.23，95%置信区间[-0.413, -0.042]，调整后的p值=0.036）和T12时期相对于基线的下降（β=-0.41，95%置信区间[-0.606, -0.223]，调整后的p值<0.001），同时技术压力（β=-0.024，95%置信区间[-0.038, -0.010]，调整后的p值=0.049）也具有独立的负面效应。教育水平也有显著影响，较高的教育水平与较低的PU得分相关。在意图使用（ITU）方面，同样观察到T12时期的纵向下降（β=-0.52，95%置信区间[-0.780, -0.262]，调整后的p值<0.001），并且技术压力（β=-0.030，95%置信区间[-0.048, -0.011]，调整后的p值=0.006）和孤独感（β=-0.03，95%置信区间[-0.042, -0.016]，调整后的p值<0.001）也具有显著的负面效应。对于信任（Trust）而言，没有检测到显著的时间效应；然而，技术压力（β=-0.040，95%置信区间[-0.060, -0.019]，调整后的p值=0.001）和孤独感（β=-0.031，95%置信区间[-0.047, -0.015]，调整后的p值=0.001）都是强大的负面预测因子，较高的教育水平与较低的信任得分相关。对于态度 toward technology（ATT），技术压力（β=-0.021，95%置信区间[-0.035, -0.007]，调整后的p值=0.043）和年龄（β=-0.020，95%置信区间[-0.035, -0.005]，调整后的p值=0.046）与ATT的下降显著相关。对于焦虑（ANX），技术压力（β=-0.039，95%置信区间[-0.052, -0.026]，调整后的p值<0.001）和孤独感（β=-0.025，95%置信区间[-0.035, -0.016]，调整后的p值<0.001）与焦虑得分强烈相关，较高的数字技能与较高的焦虑水平相关，这表明技术能力与情感反应之间存在更复杂的关系（β=0.635，95%置信区间[0.188, 1.082]，调整后的p值=0.01）。关于退出率问题，影响诊断显示有五个观察值超过了保守阈值（=4/n）；然而，最大的Cook距离为0.25，远低于常规的显著影响水平（例如，Cook’s D>1），表明没有单个案例对模型估计产生不成比例的影响。值得注意的是，只有一个观察值来自退出组（Cook距离<0.10）。完整的固定效应估计和置信区间、方差组分以及调整后的p值分别在表4和补充材料中报告。系数和统计显著性在图4中报告的森林图中显示。

表4. 线性混合效应模型固定效应。考虑了各个预测因子的LMMs模型分析，p值使用Benjamini–Hochberg程序进行了调整。
空单元格 线性混合模型，ANOVA
[F(df)，调整后的p值]
时间 场景 VAST 技术压力 UCLA 年龄 数字技能 教育 ANX
0.53 (2), 0.84 0.09 (1), 0.84 0.12 (1), 0.84 3.40 (1), <0.001*
26.93 (1), <0.001* 0.15 (1), 0.84 5.28 (2), 0.01*
1.81 (2), 0.17 ATT 2.29 (2), 0.31 0.57 (1), 0.48 1.66 (1), 0.31 8.50 (1), 0.04*
5.73 (1), 0.05 17.10 (1), 0.046* 0.32 (2), 0.73 3.60 (2), 0.05
ITU 7.87 (2), 0.003* 2.51 (1), 0.19 0.08 (1), 0.84 10.12 (1), 0.006*
19.03 (1), <0.001* 3.40 (1), 0.17 0.30 (2), 0.74 1.50 (2), 0.23
PU 9.19 (2), <0.001* 2.18 (1), 0.19 0.19 (1), 0.73 11.35 (1), 0.005*
4.07 (1), 0.08 11.87 (1), 2.51 (2), 0.17 5.50 (2), 0.01*
TRUST 0.24 (2), 0.82 0.65 (1), 0.77 0.00 (1), 0.95 14.65 (1), 0.001*
13.86 (1), 0.001* 0.06 (1), 0.89 0.40 (2), 0.82 2.15 (2), 0.15
SUS 0.32 (2), 0.82 4.28 (1), 0.11 0.05 (1), 0.82 74.65 (1), <0.001*
10.73 (1), 0.005* 19.87 (1), <0.001* 0.04 (2), 0.96 2.48 (2), 0.13
所有测试的分母df=21

缩写：ANX：焦虑；ATT：对技术的态度；ITU：使用意图；PU：感知有用性；TRUST：信任；SUS：系统可用性量表。
*经Benjamini–Hochberg校正后显著（α=0.05）；

下载：下载高分辨率图片（530KB）
下载：下载全尺寸图片

图4. 线性混合效应模型的固定效应估计森林图，包括时间（T6, T12 vs T0）、场景（社会化 vs 监控）、VAS、技术压力、孤独感（UCLA）、年龄、数字技能和教育作为预测因子，每个都有随机的截距。点表示未标准化的回归系数（β），水平条表示95%的Wald置信区间。垂直线表示零效应（β=0）。星号标记出在每个模型中通过Benjamini–Hochberg错误发现率校正后的显著效应（调整后的p值<0.05）。完整模型统计信息在补充材料中报告。

4. 讨论
本研究考察了在辅助技术实际应用12个月内老年人技术接受度的纵向异质性，为现有证据提供了额外的纵向扩展。我们没有假设适应是同质的，而是探索了接受轨迹是否根据基线用户特征而有所不同。
结合用户画像的多层次模型（RQ1）探讨了从聚类中得出的基线画像如何预测不同可用性和多个接受领域的差异轨迹。特别是，数字韧性较强的画像（DRP）——其特点是较低的技术压力、较低的孤独感、较高的数字技能和较强的感知支持——在六个领域中的四个领域显示出更优的可用性和更积极的纵向演变。值得注意的是，cluster分配与技术场景无关，除了SUS，这表明轨迹的分岔反映了用户配置而非设备类型。
在未进行聚类的情况下，技术压力和孤独感始终作为在可用性和多个接受领域中强大的负面预测因子出现。这些发现表明，仅暴露时间并不能保证接受度的提升；相反，心理社会负担和技术相关压力在塑造纵向参与中起着核心作用。
这些发现与Bertolazzi等人（2024年）的综述中的先前证据一致，尽管之前的研究很少超出短期随访的范围。本次12个月的应用为这一证据提供了额外的纵向扩展，表明基线年龄、技术压力和数字能力可能与随时间变化的接受轨迹有关。与以往的研究一致，年轻且数字技能较高的参与者表现出更优的可用性和态度结果，而心理社会负担则成为一个制约因素。教育水平在不同构建中显示出特定领域的效应，而不是统一的影响。这些基于数据证据的结果与通过对其他Pharaon试点项目进行的定性分析所得到的结果一致。
画像在感知的社会支持和生活状况上也存在差异，这强调了社会环境在持续使用辅助技术中的关键作用。这与强调非正式护理者在促进数字设备采用和持续使用中的关键作用的研究结果一致。
根据这些发现，我们基于与SUS和Almere领域轨迹一致的预测因子，提出了一个初步的假设生成框架。根据固定效应估计的方向和相对大小，可以初步区分两种用户画像（低风险和高风险）（见表5）。从政策角度来看，这些发现表明，在老龄化人群中大规模部署辅助技术不应依赖统一的实施策略。重要的是，虽然年龄是一个不可改变的特征，但技术压力和孤独感被一致地视为与可用性和接受领域较差轨迹相关的可改变因素。这种区分对于实施规划至关重要。在注册时筛查数字技能、技术压力和社会脆弱性的程序可以实现对不同群体的分层引导。旨在减轻技术压力的结构化培训、通过护理者提供的支持增强感知支持，以及在数字护理路径中整合社会成分，对于被分类为“高风险”可能脱离技术的个体可能特别相关。

表5. 基于纵向固定效应估计得出的分层方案（见补充材料）代表了分析的假设生成综合。

技术脱离画像 基线画像 基线簇 预期的纵向结果模式
低风险 技术压力↓，年龄↓，UCLA↓，数字技能（高）DRP 可用性稳定或改善（SUS）并在Almere领域的多个结果中呈现积极轨迹
高风险 技术压力↑，年龄↑，UCLA↑，数字技能（低）DVPP 在多个接受领域中持续较低的可用性和减弱的轨迹

在解释这些发现时应该考虑几个限制。首先，尽管研究持续了12个月并反映了实际应用情况，但样本量仍然适中，可能限制了检测较小效应的统计功效。此外，由于样本量和簇间分离度适中，所识别的画像应被视为探索性段而不是稳定或普遍的用户类型。其次，参与者是认知完整的、居住在社区的老年人；因此，将其推广到更脆弱的个体、有认知障碍的个体、机构化的人口或具有不同数字基础设施的医疗系统可能会受到限制。此外，一些心理社会测量是自我报告的，这可能会引入报告偏差或方法变异。最后，所提出的风险分层框架是一个假设生成工具，而不是一个前瞻性验证的预测工具。需要更大、更多样化的样本进行未来的研究，以确认所识别画像的稳定性和外部有效性。

5. 结论
在这项为期12个月的实际研究中，观察到了随时间的变化，聚类分析表明可用性和接受轨迹可能存在差异。技术压力、孤独感、年龄和数字能力与接受度和可用性结果一致相关，强调了心理社会环境的作用，而不仅仅是技术暴露。这些发现为现有证据提供了额外的纵向扩展，并建议将基线特征与纵向建模相结合，以更好地理解老年技术采用的异质性。针对技术压力、孤独感和感知支持等可改变因素可能有助于提高辅助技术的长期可用性和信任度。需要在更大、更多样化的群体中进行进一步的研究，以确认和扩展这些发现。

要点总结：
- 问题或议题：在为期12个月的纵向研究中，识别与技术接受和采用相关的社会人口统计因素。
- 已知信息：技术接受和可用性影响技术使用，如技术和接受模型所述。
- 本文的贡献：基线人口统计和心理社会特征与异质的纵向轨迹相关，为现有证据提供了额外的纵向扩展。技术压力和孤独感作为跨结果的持续负面预测因子出现。聚类提供了对用户异质性的探索性视角，并通过混合效应模型进行了补充。
- 新知识的好处：这些发现为未来长期研究的设计提供了实证证据。它们表明，技术压力和社会脆弱性等可改变因素可能是定制支持策略的相关目标。
- 数据可用性：由于伦理限制，目前无法共享复制上述发现所需的原始数据。可以应合理要求提供Matlab脚本。

作者贡献声明：
Laura Fiorini：写作——审阅与编辑、原始稿件撰写、验证、方法学、调查、概念化。
Jasmine Pani：写作——审阅与编辑、原始稿件撰写、可视化、形式分析、数据管理。
Erika Rovini：写作——审阅与编辑、监督、项目管理。
Grazia D’Onofrio：写作——审阅与编辑、调查。
Giuseppina Iannacone：写作——审阅与编辑、调查。
Sergio Russo：写作——审阅与编辑、数据管理。
Francesco Giuliani：写作——审阅与编辑、项目管理、调查。
Letizia Lorusso：写作——审阅与编辑、调查、数据管理。
Lara Toccafondi：写作——审阅与编辑、调查。
Novella Calamida：写作——审阅与编辑、调查。
Filippo Cavallo：写作——审阅与编辑、项目管理、概念化。

资金支持：本工作得到了欧盟Horizon 2020研究与创新计划下的资助，授权协议编号为857,188（Pharaon项目）。