卫生素养的定义是个人有能力获得、处理和理解作出适当卫生决定所需的基本卫生信息和服务的程度[ 1]。卫生知识普及很重要，因为卫生知识普及水平低于基本水平的人在若干健康结果方面落后于同龄人的风险更大[ 1]。年龄越大，健康素养越低[ 2]。事实上，在美国的所有成年人群体中，老年人的健康素养水平最低——鉴于美国老年人人口的迅速增长，这是一个关键问题[ 3.- 5]。老年人往往患有多种慢性疾病，这增加了他们与卫生保健提供者的互动，这反过来又增加了他们对充分的卫生知识的需求[ 6]。然而，在美国，只有3%的老年人精通健康知识[ 4]。

研究人员继续评估哪些组成部分对有效的老年人健康素养干预和实施战略至关重要。Walters等人的系统综述[ 7]强调了近年来对卫生素养干预措施的研究日益受到关注，2017年之前仅发表了5项研究，截至2020年第一季度发表了17项研究。这篇综述强化了各种早期综述的发现，表明很少有干预措施确定了健康素养干预措施的最佳做法，例如老年人是在群体中学习更好还是作为个人学习更好[ 7- 12]。

随着卫生知识普及概念的发展，卫生知识普及研究也在不断发展。随着信息和通信技术成为提供和接受卫生保健不可或缺的一部分，出现了电子卫生素养等领域[ 13]。2006年，诺曼和斯金纳[ 14]将电子卫生素养的概念推广为"从电子资源中寻找、发现、理解和评估卫生信息并将所获得的知识应用于处理或解决卫生问题的能力"。诺曼( 15]进一步指出，随着技术的变化，对电子卫生素养技能的要求也在变化。诸如疾病控制和预防中心等卫生机构越来越多地在网络上提供卫生信息，使互联网成为通过移动电话和平板电脑获取卫生信息的重要来源，有时甚至是主要来源[ 16]。

这种向电子传播卫生信息的转变对卫生素养干预措施产生了影响，表明它们应该把重点放在电子卫生素养上[ 17]。这种关注很重要，因为有证据表明老年人对在网上寻找健康信息很感兴趣[ 18]，但老年人的数字素养往往较低[ 19]。这可以通过提高数字技能的电子卫生素养干预措施来解决[ 20.]。为了应对电子卫生素养的挑战，必须将卫生素养概念化为一个积极的、动态的终身学习过程[ 21]，这一过程超越了生命早期的正规教育环境，其特点是不断学习从可信的网络资源中寻找有效、可靠的健康信息的新方法[ 22]。本研究是一系列项目的一部分，这些项目通过调查基于理论的干预措施的有效性来增加健康素养文献，从而有助于理解不同的干预策略如何影响老年人获得电子健康素养。

协作学习指的是“任何一种教学方法，学生在小组中为一个共同的目标而共同努力”[ 23]。在学生的学习过程中，本课程促进个人及团体的参与[ 24]。老年人重视与同龄人就重要的健康问题(如糖尿病和癌症)进行交流[ 25]。在学习使用电脑的情况下，研究发现CL对老年人的学习成果和社会发展都很有效[ 26- 28]，尽管早期的研究[ 29研究发现，无论是单独学习还是成对学习，老年人在计算机学习中的表现都是相似的。在普及电子健康知识的背景下，CL使人们有机会学习新的健康信息和技能，并在网上获取这些信息[ 21]。同样，Ahmad等人[ 26]表明，CL允许老年成人学习者与同龄人一起参与，有效地互动，以学习数字技术。

以社区为基础的健康相关研究与社区中的老年人接触，在非正式环境中提供干预措施[ 30.]。老年人的CL通常发生在这样的环境中，而不是年轻人更典型的正规教育环境。终身学习者电子健康信息(eHiLL)研究利用社区环境整合现有的公共基础设施和资源，如公共图书馆和老年中心[ 31， 32]。由美国国立卫生研究院(NIH)开发的现有和权威的互联网健康信息资源使这类工作可复制并可供所有人访问。Kim和Xie的系统文献综述[ 9]揭示了在社区层面结合教育项目的干预措施可以鼓励目标群体使用基于网络的健康资源。Ahmad等人的系统综述肯定了非正式学习环境对老年人数字化学习成功的重要性[ 26发现，在不同的研究样本和环境中，非正式的学习环境为老年人提供了与同龄人分享他们的经验、选择和期望的机会，这鼓励了他们学习。

这项研究是eHiLL研究计划的一部分，该计划旨在产生关于最佳学习条件和策略的科学知识，从而有效地提高老年人的学习和使用电子健康应用程序[ 20.， 31， 33- 35]。eHiLL的每一项研究都建立在之前的工作基础上，通过在严格的理论驱动的干预措施中检验假设，来检验各种学习条件和策略的影响。eHiLL研究基于社会相互依赖理论，该理论支持CL优于个人主义学习(IL) [ 36]。该理论强调群体成员之间的相互依赖，认为群体是一个动态的整体[ 36]。一项对超过300项研究的荟萃分析提供了强有力的证据，表明在中学后和专业环境中，CL优于IL和竞争性学习[ 24]。然而，对于在非正式学习环境中学习计算机技能的老年成人电子健康学习者中CL的有效性了解较少。这项eHiLL研究旨在解决这些文献中的空白。

第一个eHiLL项目是一项试验性研究(N=172)，只有1组，评估CL的有效性，没有比较[ 20.]。本研究发现的证据表明，当与老年人计算机学习的关键要素相结合时，CL可以成为提高老年人电子健康素养的有用方法。研究结果还表明，社会相互依赖理论可以推广到更年轻的人群和正规教育环境之外。在第二项研究中(N=124)，我们采用2 × 2 × 2混合因子设计，学习方法(CL和IL)和呈现(仅视觉和视觉加听觉)作为被试间变量，测量时间(干预前和干预后测量)作为被试内变量。无论学习方法和信息呈现的具体结合如何，干预前后都有效地提高了电子健康素养[ 34]。在第三项研究(N=146)中，我们采用2 × 2混合因子设计，以学习方法(CL和IL)作为被试间变量，测量时间(前测和后测)作为被试内变量来关注新样本中的CL和IL [ 21]。与第二项研究一样，无论采用何种具体的学习方法，电子健康素养干预在干预前后显著提高了知识、技能和电子健康素养的有效性。然而，在影响学习结果方面，语言学习与语言学习并无不同，这表明先前广泛报道的语言学习优于语言学习的优势可能并不容易适用于非正式环境中的老年人。在所有3项研究中，我们使用了相同的网络学习模块和研究方案。可能导致缺乏支持CL优于IL的可能原因包括相对较小的样本量，不发达的CL策略，各种群体组成的潜在混淆效应(例如，基于性别和以前的计算机经验)，以及没有随访来检查潜在的纵向效应(因为缺乏这些试点研究的资源)。

这些早期的eHiLL研究[ 20.， 21， 34]，以及Ahmad等人回顾的其他研究[ 31]，提供证据表明，即使在使用数字技术的情况下，CL对老年人也是有效的。但是，主要的差距仍有待解决，特别是在纵向影响方面[ 20.， 37]。Manafo和Wong的系统文献综述[ 37发现，在9项针对老年人健康素养项目的研究中，只有2项有随访期，而且这两项研究都没有报告任何长期结果。此外，先前的研究已经确定了老年人CL组组成方法的差异，因此发现异质组组成比同质组组成更能促进CL的成功[ 38， 39]。几项研究发现，与性别组成相同的群体相比，CL在女性或男性占多数的群体中效果更好[ 40， 41]，以及同性群体，而不是混合群体[ 41， 42]。也有一些证据表明，对于老年CL患者来说，根据以前的计算机经验组成同质组可能是有利的[ 43]。需要研究来解决这些发现在文献中的含义。

在本研究中，我们通过以下方式解决了上述文献中的空白:(1)使用大型随机样本，(2)增加6个月的随访，以检查如何在干预期后保持收益，(3)根据以前的计算机经验添加小组组成作为一个自变量，以调查小组组成对学习结果的影响，以及(4)制定和实施详细的说明和程序，以确保各自小组的CL与IL。在社会相互依赖理论和我们之前的eHiLL研究的指导下[ 20.， 21， 34]，在这项研究中，我们检查了研究问题和假设概述 文本框1．

在本次干预中，我们采用了3 × 2 × 3混合因子设计，以先前的计算机经验(有经验的、新的和混合的)和学习方法(IL和CL)为组间变量，以测量时间(干预前测量、干预后测量和6个月随访)为组内变量。

招聘包括在研究地点和周边地点(如杂货店)张贴和分发传单，以及在研究地点的通讯和当地报纸上做广告。招募工作一直持续到达到目标样本量为止。纳入标准如下:(1)年龄≥60岁，(2)能够往返于研究地点，(3)英语流利，(4)有兴趣学习使用计算机查找健康信息。共有466名年龄在60至96岁之间的老年人参与了这项研究(平均年龄70.5岁，所有人的标准差为7.2岁;70.1, CL组SD 6.7年;IL组为70.8,SD为7.6年)。

数据从8个研究地点收集:哥伦比亚特区大华盛顿地区的2个公共图书馆;1个公共图书馆，3个老年人活动中心，1个娱乐中心和1个老年人生活设施在德克萨斯州奥斯汀地区。选择这些站点的原因是:(1)服务于大量不同种族和社会经济地位的老年人;(2)提供免费联网电脑、空间和人员支援，以促进研究的实施;(3)地理位置方便潜在的研究参与者和研究人员;(4)可乘坐汽车或公共交通工具到达，从而使我们能够接触到各种各样的老年人。

干预前，参与者签署了一份由作者所在机构、德克萨斯大学奥斯汀分校(2012-05-0049)和马里兰大学(07-0264)的机构审查委员会批准的同意书。

干预包括8个两小时的会话:1个干预前测试(会话1)，1个干预后测试(会话8)和6个训练会话(会话2-7)。参与者每周见两次面，持续4周以完成干预。

参与者被随机分配到IL班或CL班，每班最多8名参与者。在每次训练中，两个班的参与者首先观看两遍教程，中间有5分钟的休息时间;然后，发给他们一份讲义，让他们进行练习活动。每次培训都有一名引导者来安装设备，分发讲义，并在需要时提供即时帮助。

在IL课堂上，参与者在整个干预过程中都戴着耳机，在电脑上工作，以避免与同伴互动。在每次会议开始时，引导者特别指出，学生应该独立学习，避免与同伴互动。在英语课堂上的指导也提醒参与者在整个课程中独立学习和执行活动。参加者如有任何疑问，可向主持人寻求协助。

在CL课堂上，为了鼓励合作，我们要求2或3名参与者在整个干预过程中使用多耳机分配器共享一台电脑。这样，一个组中的所有成员都可以以相同的速度进行，不同的组之间不会相互干扰。在每节课的开始，主持人都强调每一组的学生应该一起学习，并与其他同学一起进行实践活动。CL课程的教程在整个课程中提供了明确的指导，以鼓励合作——例如，通过轮流或小组讨论和反思。 多媒体附录1来 6在参与者的电脑屏幕上提供IL和CL指令的例子。

教学材料包括为本研究开发的一系列基于网络的互动教程。教程中的课程以“帮助老年人在线搜索健康信息:培训师工具包”为指导，该工具包由美国国立卫生研究院(NIH)的国家老龄化研究所开发。这个免费的工具包[ 44]旨在提高老年人在NIH的两个网站(NIHSeniorHealth和MedlinePlus)上查找健康信息的能力。该工具包包含9个模块:模块1侧重于计算机和互联网基础知识，模块2至5介绍NIHSeniorHealth，模块6至8介绍MedlinePlus，模块9侧重于提高个人评估健康信息的能力。由于NIHSeniorHealth网站在本研究进行时已经关闭，我们将模块1和模块6的内容调整为模块9，使每个模块适合2小时的培训课程( 表1）.然后，我们使用Adobe Captivate (Adobe Inc.)开发了基于5个学习模块的10个基于web的交互式教程:5个用于IL类，5个用于CL类。开发了特定的说明和活动来确保CL与IL的对比。两个教程之间的差异总结在 表2．

我们使用客观和主观测量来评估学习结果或作为控制变量。措施和数据收集时间总结在 表3．

训练有素的研究生研究助理将数据录入SPSS(27.0版本;由首席研究员通过随机查看10%的数据记录来监控数据输入和清理。在进行推断分析之前，对数据的准确性、缺失数据、超出范围值和违反统计假设进行评估。背景变量(人口统计，以前的经验和语言)被检查以检测两个学习条件组之间的潜在差异。描述性统计用于提供样本的统计概况，分类数据使用频率和百分比，连续数据使用均值和SDs。

Mann-Whitney U测试和双尾试验 t进行测试以评估在所有3个时间点完成测试的参与者与仅完成测试前测量的参与者之间的差异。对每个因变量分别进行3(基于先前计算机经验的组组成:有经验、新学习和混合)× 2(学习条件:IL vs CL) × 3(测量时间:测试前测量、测试后测量和6个月随访)混合内-间单变量协方差分析;每个结果的结果都是直接相关的。

采用4个计算机和网络体验变量，进行因子分析和聚类分析。因子分析产生了一个强因子(特征值3.38 vs 0.38, 0.17和0.08)，这意味着这4个变量是强相关的，可以用来定义个人得分的计算机和互联网使用的连续体。相比之下，聚类分析产生了两类解决方案的清晰分离，其特点是平均比较范围在1.28-1.95(集群2)与4.38-5.08(集群1)之间。集群1是使用计算机和互联网3年或更长时间并且至少每周使用一次的群体，如果不是更频繁的话。集群2是使用计算机或互联网不到一年的群体，通常每个月访问不到一次。这 熟悉计算机和互联网采用二分类变量，根据先前的计算机经验，将组进一步分为3组进行组组成。第一组由小于30%的参与者组成(我们在所有后续分析中将其定义为“新”用户组组成);14/92, 15%)。第二组由30%至70%的参与者有经验的组组成(“混合”组组成;48/92, 52%)。第三组由超过70%的参与者有经验的组组成(“有经验的”组组成;30/92, 33%)。

感兴趣的主要结果变量是电子健康素养的有效性、计算机和网络知识以及技能获得(3个指标:基本计算机和网络操作技能、信息寻求技能和网站评估技能)。成人功能健康素养短测试(S-TOFHLA)被纳入协变量，而不是结果变量，因为干预不关注S-TOFHLA测量的结果的学习。S-TOFHLA与所有5个结果均显著相关，范围从0.11(电子健康素养效能)到0.52(计算机和网络知识)。

为了验证本研究的具体假设，我们重点分析了学习条件的主要影响以及学习条件与以前的计算机经验之间的相互作用。以往使用电脑的经验所产生的主要影响并不是研究的重点，因为已有文献表明，以往使用电脑的经验可以预测老年人是否会采用和使用电脑[ 46- 48]。考虑到预期的相互作用，可能会在设计的特定水平内进行简单效果的测试[ 49]，例如评估学习条件在有经验的、新的和混合的计算机经验水平中的不同影响。

模型分别在有控制变量和无控制变量的情况下进行。观察到有控制变量和没有控制变量的一致模式没有差异。控制变量包括年龄、性别、教育程度、健康状况、种族和民族、收入和主要语言。考虑到结果的差异可能部分归因于一个或多个这些变量的可变性，纳入这些控制变量可以增加设计的统计能力。主效应的检验是在没有涉及主效应变量的相互作用的情况下进行的。计算产生的效应大小估计值，以比较不同类型的因变量和时间点之间的变化幅度 η_p²［ 50]。

参与者的人口统计资料和其他背景资料汇总于 表4．参与者被随机分为IL组(233/466,50%)或CL组(233/466,50%)。卡方和 t测试显示，除了英语作为参与者的主要语言外，IL组和CL组之间的基线特征没有显著差异( χ²₁= 5.6; P= .02点);英语是IL组比CL组更多参与者的主要语言(211/233,90.6% vs 194/233, 83.3%)。85.4%(398/466)的原始样本完成了干预后评估，41%(191/466)的原始样本完成了6个月的随访评估。

在 t曼-惠特尼测试 U在测试中，没有发现基线年龄( P=.623)，教育( P=.052)，健康( P=.090)，语言( P=.705)，收入( P=.893)、电脑及网页知识( P=.453)、基本电脑及网页操作( P=.731)，网站评价( P=.929)完成所有3个时间点的参与者和只完成测试前测量的参与者之间的差异。从基线到干预后测量，IL组和CL组之间的辍学率无统计学差异( P=.660)，从基线到6个月的随访( P= .778)。

在完成所有3个时间点的人与未完成的人之间发现了显著差异( P= 0.009)，种族和族裔( P<.001)，基线电脑使用时间( P=.001)，上网时长( P<.001)，电脑使用频率( P=.004)，互联网使用频率( P<.001)，电子健康素养的有效性( P<.001)，健康素养( P=.04)，信息搜集能力( P= .02点)。与只完成测试前测量的参与者相比，在完成所有3个时间点的参与者中，女性的比例更高(62%对74%)，非洲裔美国人的比例更低(51%对26%)，并且在基线时报告更频繁和更长时间的计算机使用(17%对25%)或互联网使用(8%对17%)的比例更高。完成所有3个时间点的参与者在基线时的电子健康素养效能量表(平均差值=1.56)、S-TOFHLA(平均差值=2.52)和信息寻求技能测试(平均差值=1.27)得分也显著较高。

对一般线性模型的检验揭示了一个具有统计意义的模型( 表5）.以基本的计算机和网络操作技能为结果的模型产生了支持假设3的显著交互作用。学习条件与以前的计算机经验之间存在显著的相互作用( F_{2, 55}= 3.69; P= 03)。简单效应检验分解相互作用结果。具体来说，从干预后测量到6个月的随访，在IL组中，平均而言，与具有中等计算机经验(平均- 1.06,SE 0.25)或较高计算机经验(平均- 1.65,SE 0.35)的组相比，处于很少或没有计算机经验的组(平均- 0.59,SE 0.54)更有利于保留计算机技能。相比之下，在CL组中，平均而言，处于具有较高计算机经验的组(平均- 0.60,SE 0.35)比处于具有中等计算机经验的组(平均- 0.64,SE 0.21)或很少或没有计算机经验的组(平均- 2.40,SE 0.82)更有利于保留计算机技能。假设3得到部分支持;也就是说，在某些群体中，CL的效果比IL的效果保持得更好。具体地说, 对于没有经验的人来说，单独学习可能会更好，而对于有更多经验的人来说，合作学习可能会更好．这些结果是针对计算机和网络操作技能以及干预后6个月这些技能的维护情况。

在检查学习条件和以前的计算机经验之间的相互作用的模型中，没有发现统计学上显著的差异，这些模型用于以下每个结果测量:电子健康素养有效性、计算机和网络知识、信息寻求技能和网站评估技能(结果未显示;可根据要求从作者处获得)。假设1和2不被支持。

单变量重复测量分析显示，所有5项结果测量在测试前测量、测试后测量和6个月随访之间存在统计学显著差异( 表6）.

这5项结果测量的随访比较测试显示，从测试前到测试后测量的平均得分有统计学意义的改善( P<。5种情况均为001)。随访比较测试也显示，从测试后测量到6个月随访期间，5项结果测量中的3项的平均得分有统计学显著下降:电子健康素养有效性、计算机和网络知识、基本计算机和网络操作技能( P<。3种情况均为001)。从测试后测量到6个月随访，其余两项结果测量(网站评估)的平均得分无统计学差异( P=.774)和信息搜集能力( P= .365)。

CL组(100%满意度)和IL组(99%满意度)的参与者满意度无显著差异(N=382; χ² ₁= 1.1; P= 29)。总的来说，两组参与者对干预都有满意的体验。

CL组和IL组在同伴学习与辅导学习方面存在显著差异(N=382; χ² ₄= 29.2; P<.001)和课堂上与同伴互动的数量(N=382， χ² ₄= 84.3; P<措施)。证明效度，CL组的个体报告从同伴和教程的组合中学习，而IL组的个体报告“完全”从教程中学习。同样，IL组的个体报告与同伴的互动较少，而CL组的个体报告与同伴的互动较多。

与年轻人相比，老年人不太可能使用互联网来完成诸如接收测试结果、更新处方和安排预约等任务，部分原因是他们的数字能力水平较低。 51]。COVID-19大流行使得在网络上获取卫生信息和服务几乎成为必要[ 52， 53]，加剧了对电子卫生素养的需求。急需有效的干预措施，以确保在大流行期间和之后将老年人纳入数字社会。本研究的主要发现如下:(1)干预后立即测量老年人的电子健康素养学习在合作学习和个人学习方面没有显著差异;(2)然而，为了保持长期利益，最好是与以前有类似计算机经验的人合作学习;(3)无论IL或CL方法，该干预对提高老年人的电子健康素养都是有效的;(4)定期进行后续训练(即加强训练)可能对长期改善收益的维持很重要。值得注意的是，我们的样本包括很大比例的非裔美国人(188/466,40.3%)和拉丁裔(88/466,18.9%)参与者。过去20年关于电子卫生干预的文献表明，缺乏对少数种族和族裔样本的研究，以及继续需要将这些群体纳入研究[ 54- 57]。这项研究纳入了相当大比例的少数种族和少数民族参与者，这进一步证明了我们的eHiLL干预对来自不同群体的老年人有效。

在这项研究中，我们比较了CL和IL对老年人学习电子健康素养和数字技能的影响。我们的数据不支持假设1和2。然而，假设3得到了部分支持。在6个月的随访中，前电脑经验中高组的学习维持较好，而前电脑经验低组的学习维持较好。因此，以前的计算机经验可能中介学习结果和学习方法之间的关系。

在任何结果测量中，我们没有发现任何统计学上的显著差异，从测试前到测试后测量CL与IL的影响。这一发现与先前的一项研究一致，该研究使用早期的干预方法来测试IL和CL [ 20.]。CL的五项原则或许可以解释为什么[ 36]。这些原则如下:(1)确保学生明白他们的分数取决于他们个人和小组成员的表现(例如，如果一个小组的所有成员在一次考试中得分达到一定百分比或更高，就会给每个学生加分);(2)建立个人问责制，以便评估每个学生的个人贡献(例如，通过单独测试，让每个学生解释他们对小组的贡献，或观察小组互动并记录每个学生的贡献);(3)确保学生通过面对面的互动帮助、协助、支持、鼓励和赞扬彼此的学习努力;(4)确保学生具备所需的社交技巧(例如沟通和领导能力)，并在团体中适当运用;(5)确保学生有足够的时间参与小组互动，反思哪些有效，哪些无效，并决定继续或改变哪些行动。

然而，这些原则是为正规教育环境制定的，它们不太适用于非正规环境[ 24， 36]。因此，在本研究中，并没有包括所有的原则。例如，文献表明，建立依赖性和问责制是很重要的，这将在正规教育环境中发挥作用[ 36]。在这项研究的背景下，个人的成功并没有被设计成依赖于群体的成功。此外，从本质上讲，这项研究不能以任何正式的方式让群体成员对群体的成功负责。每个参与者的个人贡献没有被正式评估，但是让每个参与者解释他们对团队的贡献，或者观察团队互动并记录参与者的贡献，可能会在团队中产生更强的责任感，这是合理的。未来的研究应评估创造性的方法，以确保老年成人学习者在非正式环境中的依赖性和问责性。

文献已经发现CL在非正式的环境中对老年人起作用[ 26]，但这并没有得到从测试前到测试后测量的计算机训练的支持[ 20.， 21， 34]。以前的eHiLL研究[ 20.， 21， 34]没有进行随访，因此没有证据表明CL的纵向影响。在这项包括随访的研究中，长期来看，CL确实在某些条件下效果更好。

在非正式学习中，计算机学习比其他科目更具挑战性[ 58]。另一个挑战是CL研究通常不提供详细的指示，以确保合作[ 59]。因此，在本研究中，随着参与者在模块中的进展，我们提供了更详细的协作指导。参与者的反应表明，他们确实根据小组任务进行了合作学习或单独学习;我们的CL策略不太可能不足以吸引CL。

与假设1类似，假设2被拒绝，两种学习条件和群体组成之间没有统计学上的显著差异。然而，对假设3的部分支持可能会提供一些关于小组组成如何影响长期学习成果的见解。小组组成似乎取决于小组参与者的特征。在本研究中，CL组和IL组之间对其组内参与者的熟悉程度没有差异。然而，文献记录了对团队伙伴的熟悉程度可能是促进合作的一个因素[ 40， 41， 60]。在老年人(有熟悉或不熟悉的伴侣)中，CL与IL的相对益处需要进一步的研究。

我们的发现确实表明，根据以前的电脑经验进行分组可能对老年人的长期学习特别重要。这项研究的发现得到了先前一项研究的补充，该研究使用了以前版本的教程[ 20.]。根据先前研究的信息，参与者先前的计算机经验的差异可能至少部分地影响了他们的学习经验和结果。谢( 20.[]发现，当老师不得不经常停下来帮助缺乏经验的同学跟上基本程序(例如，操作鼠标)时，更有经验的学习者有时会感到沮丧，觉得自己没有充分利用时间。相反的情况也会发生:经验不足的学习者有时会感到尴尬和沮丧，有时会被经验丰富的同龄人吓倒。这些观察结果，加上来自文献的指导[ 43，支持这项研究的改变，根据老年人以前的电脑使用经验将他们分成不同的组。这项研究的结果表明，当经验更丰富的老年人与以前有类似电脑经验的人分组时，CL可能对他们最有益。也许，当小组成员已经获得足够的经验时，他们可以利用他们的集体经验相互学习[ 61]。相比之下，集体经验较低的CL群体可能没有足够的综合技能和知识来有效地进步。最近的一项系统综述也表明，知识水平和经验似乎是组成教育团体最合适和最重要的属性，因为它们对团体的结果有影响[ 62]。因此，从长远来看，对于以前电脑经验较低的老年成人学习者来说，IL可能更好，因为每个人都可以以舒适的速度移动，并且可能不会羞于寻求帮助。

在本研究中，我们考察了干预对5个结果的影响:电子健康素养效能、计算机和网络知识、基本计算机和网络操作、信息寻求技能和网站评估技能。总体而言，结果显示从干预前到干预后，所有5项结果( P<。在所有情况下都是001)。因此，使用CL或IL的干预措施对提高老年人的电子健康素养是有效的。效应量范围从0.167到0.676，表明所有5个结果的改善幅度都很大(根据解释效应量值的一般指南:0.01=小效应量，0.06=中等效应量，≥0.14=大效应量)[ 50]。这些结果与之前的eHiLL研究一致，其中包括3个相同的结果变量(计算机和网络知识，计算机和网络技能，以及电子健康素养)也具有很大的效应量[ 20.， 21， 33， 34]。该干预措施在不同人群和背景下的持续巨大效果突出了该干预措施在提高老年人电子健康素养方面的潜在推广作用。

在这项研究中，我们在6个月后进行了随访，以评估改善的保留情况。总体而言，从干预后测量到6个月的随访，得分有所下降，5个结果中的3个(eHealth扫盲效能、计算机和网络知识、基本计算机和网络操作)的得分下降具有统计学意义; P<。3种情况均为001)。信息搜寻技能和网站评价的下降在统计上没有显著性。电子卫生素养是多维的，随着时间的推移，它的一些组成部分可能会比其他组成部分保留得更好。然而，如果使用更长时间的随访，如1年，可能会观察到更糟糕的长期影响。最近一项评估老年人认知训练的研究发现，强化初始训练后1年收效甚微。 63]。这项研究的结果表明，考虑到从测试前到测试后测量中获得的益处在6个月后下降，需要资源来提供持续的训练或定期的增强。研究[ 64评估老年人的认知能力训练，包括长期强化训练(干预后11个月和35个月)和长期随访测试(1年、3年和5年)，发现干预的效果在5年后仍然存在。需要进一步的研究来了解这种干预需要多久进行一次“强化”训练，以最大限度地利用资源(例如，每1、2或3个月)。观察长期效果的另一个有希望的训练组成部分可能是频繁的测试，这可能导致练习-检索效应-有一些证据表明，在干预阶段更频繁的测试与长期技能保留有关[ 65]。

除了包括6个月的随访外，本研究还解决了以往eHiLL研究的其他局限性。我们纳入了大样本量，更均匀的基线组组成和组大小，因为随机化，以及教练的一致性。在早期的eHiLL研究中，由于资金有限，无法控制教师的变化。早期的eHiLL研究使用了许多研究生作为培训课程的讲师，他们通过各种机制被招募——一些是兼职研究助理，一些获得课程学分，还有一些只是志愿者。这些研究生的热情说明了培训计划的可持续性，但从干预研究的角度来看，这些导师之间的个体差异(如个性、教学风格、经验、时间承诺和激励)可能会给以前的研究带来不必要的混淆变化。因此，在本研究中，我们为少数教师提供了全职支持，以尽量减少这一因素的潜在影响。总之，与之前的研究相比，本研究对整体干预及其各组成部分的有效性提供了更强的支持。这一证据应该使其他研究人员能够使用其他样本、设置、学习条件或交付方法来重复这项工作。

首先，本研究的大样本量保证了研究结果有足够的统计效力;然而，样本可能不能代表一般的老年人口。其次，因种族和民族、性别和电脑使用经验不同而导致的辍学率差异表明，需要进行额外的调整，以促进更好的坚持。例如，He et al [ 66[qh]发现，有证据表明，基于机器学习的方法提供了个体特征和先前的干预数据，可以为预测依从性提供有用的信息，为依从性支持策略的目标人群以及何时提供支持提供初步线索。进一步评估这些类型的创新对于加强干预措施支持那些有依从性差风险的人的能力至关重要。其他研究人员应该在其他社区用不同的老年人样本重复这项研究，这将有助于进一步加强eHiLL干预的普遍性。

第三，任何与技术相关的干预措施都有一个不可避免的局限性，即技术的快速发展使得一些干预措施(以及相应的结果衡量标准)已经过时。未来的干预措施需要不断更新干预成分和结果措施(例如，基于移动设备和应用程序以及新技术支持的基于语音的网络搜索)。我们的研究结果表明，电子健康素养是多维度的，其某些组成部分(例如，在我们的信息寻找技能测试中测量的在网上搜索相关信息以解决特定任务的能力，以及在我们的网站评估测试中测量的在网站上评估健康信息质量的能力)可能比其他组成部分(例如，电子健康素养效能，计算机和网络知识，以及基本的计算机和网络操作)随着时间的推移会更好地保留。这一现象值得未来进行系统调查，这可能会导致针对电子卫生素养的特定维度或组成部分的更细致的干预措施的发展。

鉴于这项工作在十多年来开展的更大的工作计划中的背景，有强有力的证据表明，老年人可以通过各种学习条件提高他们的电子健康素养。这一点很重要，因为提高老年人的电子健康素养可以在几个方面对他们的健康管理产生重大的积极影响。例如，了解电子健康的人可以利用许多技术，使医疗保健提供者能够远程实时监测一个人的健康状况。患有糖尿病的老年人可以上传食物记录、血糖水平和服用的药物，供提供者每天检查并提供反馈。 67]。与老年人相关的还有可以检测日常活动变化(如跌倒)的工具，以及发送通知提醒人们锻炼或服药的设备[ 67]。这些技术只有在具备使用电子健康知识的情况下才有用。

此外，能够将电子健康纳入他们的健康管理可能有助于减少其他压力源。例如，了解如何浏览基于网络的健康门户网站可以帮助老年人通过基于网络的信息与他们的提供者沟通，而不是等待电话将他们的信息传递给他们的医生以外的人，从而节省时间。这可能会减少因错过医生办公室的电话而带来的压力，因为他们知道自己可以随时查看自己的信息。同样，老年人也可以通过在网上预约医生来节省时间。随着远程医疗变得越来越普遍，在适当的时候，老年人可以在自己舒适的家中接受预约，这可以帮助减轻与寻找最适合他们寻找交通工具的日期和时间相关的压力。电子健康有可能提高老年人的健康和福祉，提高电子健康素养是帮助他们实现这一目标的一步。

进一步的研究还应检查需要多久进行一次强化训练才能使资源最大化。可扩展性应该是未来研究评估这种干预可能产生的大规模影响的兴趣。正在计划开展未来的研究，以评估远程学习或混合模式干预措施的有效性，这些模式可能更适合应对COVID-19大流行的世界。发现干预措施对远程学习模式有效，将有助于加强证据，证明这种干预措施有可能在国家一级推广。最后，在本研究中，以往经验的群体构成是一个关键因素;然而，未来的研究可以评估是否存在其他更有效的小组组成可能性，例如基于自我评估的技术熟练程度(即计算机，移动设备和网络熟练程度)的小组。评估这些熟练程度的工具[ 68- 70]可以用来评估基于整体高技术熟练度和低技术熟练度组成小组是否会导致更有效的培训，正如小组组成与学习条件之间的相互作用所表明的那样。