Gerontechnology Acceptance in Thai Older Adult Care Facilities-Sensor Network and Machine Learning Adoption: Mixed Methods Study.

چکیده اصلی

BACKGROUND: Thailand is undergoing a rapid demographic transition, with an estimated 28% of the population expected to be aged 60 years or older by 2030. This shift creates an urgent demand for technology-enhanced solutions for older adults. Despite growing interest in Internet of Things (IoT) sensor networks and machine learning applications for older adult care, the patterns of technology acceptance and implementation readiness in Thai older adult care facilities remain underexplored. OBJECTIVE: This study aimed to assess the readiness and adoption patterns of sensor network and machine learning technologies among older adults and care stakeholders in Thai older adult care facilities, guided by the Gerontechnology Acceptance Model (GTAM) and Service Exchange Value Creation Logic. METHODS: A sequential explanatory mixed methods design was used. Phase 1 (quantitative) involved structured technology assessments by 12 health care technology specialists and survey administration to 120 consumer representatives (older adults, n=70; adult family members, n=50), stratified across Bangkok and Chiang Mai. Phase 2 (qualitative) comprised 20 semistructured interviews and 3 purposively selected focus groups from phase 1 participants to elaborate on the quantitative findings. The primary theoretical framework was GTAM, mapping 5 constructs (perceived usefulness, ease of use, social influence, facilitating conditions, and behavioral intention) to corresponding survey items. This study was approved by the Assumption University Institutional Review Board (AU-IRB 80/2024) and is registered under a noninterventional observational design; formal clinical trial registration was not applicable. RESULTS: IoT fall detection systems received the highest clinical efficacy ratings from specialists (mean 4.5, SD 0.3 on a 5-point scale) and achieved 89% user acceptance. Artificial intelligence-driven early warning systems demonstrated the highest perceived clinical impact (mean 4.7, SD 0.2) but also the greatest implementation complexity (mean 4.2, SD 0.5). The consumer survey findings revealed that digital literacy level was the strongest predictor of behavioral adoption intention (β=.62; P<.001), with high-confidence participants showing 2.3 times higher acceptance rates than low-confidence participants. Significant geographic differences emerged: Bangkok respondents showed higher acceptance of medical IoT technologies (mean 4.3, SD 0.3; t119=1.98; P=.05), while Chiang Mai respondents reported a stronger preference for environmental digital health solutions (mean 4.5, SD 0.3; t119=4.12; P<.001) and elevated privacy concerns (mean 4.2, SD 0.4; P=.005). Qualitative analysis identified 5 themes: surveillance anxiety, family-mediated adoption, regional digital trust, training needs, and dignity-preserving technology design. CONCLUSIONS: Smart technology integration in Thai older adult care facilities is feasible and accepted across demographic groups when implemented in phases, culturally adapted, and supported by digital literacy training. Key adoption enablers were digital confidence, family involvement, and privacy-respecting design. The GTAM-derived findings offer an evidence-based framework for deploying gerontechnology in health care contexts in developing nations. Longitudinal outcome studies are needed to validate clinical and economic projections from prior literature.

ترجمه فارسی چکیده

تایلند در حال گذار جمعیتی سریع است و برآورد می‌شود تا سال 2030، ۲۸ درصد جمعیت آن بالای ۶۰ سال خواهند بود. این تغییر نیازمند فوری راهکارهای فناوری‌محور برای سالمندان است. با وجود افزایش علاقه به شبکه‌های حسگر اینترنت اشیاء (IoT) و کاربردهای یادگیری ماشین، الگوهای پذیرش فناوری و آمادگی اجرایی در مراکز نگهداری سالمندان تایلند کمتر بررسی شده است. این مطالعه با هدف ارزیابی آمادگی و الگوهای پذیرش فناوری‌های شبکه حسگر و یادگیری ماشین در سالمندان و ذینفعان مراقبت، با الهام از مدل پذیرش تکنولوژی روان‌سنتیک (GTAM) و منطق ایجاد ارزش در مبادله خدمات انجام شد. از طراحی روش‌های ترکیبی توصیفی-تکمیلی استفاده شد. مرحله ۱ (کمی) شامل ارزیابی ساختاریافته فناوری توسط ۱۲ متخصص فناوری سلامت و پرسشنامه به ۱۲۰ نماینده مصرف‌کننده (سالمندان n=70 و اعضای خانواده بزرگسال n=50) بود. مرحله ۲ (کیفی) شامل ۲۰ مصاحبه نیمه‌ساختاریافته و ۳ گروه بحث هدفمند از شرکت‌کنندگان مرحله ۱ بود. نتایج نشان داد سیستم‌های تشخیص سقوط IoT بالاترین امتیاز کارایی بالینی را داشتند (میانگین ۴.۵) و ۸۹٪ پذیرش کاربر را کسب کردند. سیستم‌های هشدار زودهنگام مبتنی بر هوش مصنوعی بالاترین تأثیر بالینی مشاهده شده را داشتند (میانگین ۴.۷) اما پیچیدگی اجرایی بیشتری داشتند (میانگین ۴.۲). مطالعات نشان دادند که سطح توانایی دیجیتال قوی‌ترین پیش‌بینی‌کننده نیت پذیرش رفتاری است. تفاوت‌های جغرافیایی مهمی مشاهده شد: پاسخگویان بانکوک پذیرش بالاتری از فناوری‌های پزشکی IoT داشتند، در حالی که پاسخگویان چیانگ مای ترجیح بیشتری برای راهکارهای سلامت دیجیتال محیطی و نگرانی‌های بالاتر در خصوص حریم خصوصی داشتند. تحلیل کیفی ۵ موضوع را شناسایی کرد: اضطراب نظارت، پذیرش میانجی‌گری خانواده، اعتماد دیجیتال منطقه‌ای، نیاز به آموزش و طراحی فناوری حفظ کرامت.

متن کامل اصلی