简体中文电子健康素养量表的心理测量验证与文化适应:横断面研究gydF4y2Ba

简介gydF4y2Ba

背景gydF4y2Ba

目前，全球有40亿人每天出于各种目的使用互联网，这提高了他们在生活的各个方面搜索、消化和使用信息的能力[gydF4y2Ba1gydF4y2Ba］．医疗保健领域也无法摆脱这一趋势。基于网络的健康和保健信息迅速普及，极大地改变了个人寻求健康的行为，在寻求专业建议之前，个人选择互联网作为他们关于自己健康状况的首要信息来源[gydF4y2Ba2gydF4y2Ba，gydF4y2Ba3.gydF4y2Ba］．gydF4y2Ba

尽管在互联网上增加了相关健康信息的可访问性，搜索，识别和使用gydF4y2Ba正确的gydF4y2Ba信息仍然具有挑战性。范德法特等[gydF4y2Ba4gydF4y2Ba]发现，容易识别的网络信息可能会增加健康知识和卫生保健提供者选择的差异。收集网络信息不同于通过传统方法获取健康相关信息，如医院小册子、医学书籍或专业人士的建议;获得有用和准确的网络信息需要特定的技能[gydF4y2Ba3.gydF4y2Ba，gydF4y2Ba5gydF4y2Ba，gydF4y2Ba6gydF4y2Ba］．这些技能不仅包括对任何特定健康状况的专业知识，还包括计算机知识、手机知识以及知道如何浏览互联网。gydF4y2Ba4gydF4y2Ba，gydF4y2Ba7gydF4y2Ba］．因此，电子卫生素养，包括计算机素养和互联网相关知识和技能，在帮助人们搜索基于网络的信息并分析、评估和使用这些信息以改善其健康结果方面发挥着关键作用[gydF4y2Ba8gydF4y2Ba］．如果目标用户缺乏有效使用这类信息的技能，电子健康信息就没有什么价值[gydF4y2Ba9gydF4y2Ba］．衡量人们的电子卫生素养可以帮助决策者制定指导方针、战略和干预措施，以人们能够理解和使用的方式，通过互联网向人们提供关于不同需求、偏好和期望的卫生信息[gydF4y2Ba7gydF4y2Ba］．gydF4y2Ba

在过去的20年里，中国在互联网网络和服务的发展方面取得了显著的进步。目前，中国每天有超过8亿人积极使用互联网。gydF4y2Ba10gydF4y2Ba］．为了最大限度地发挥互联网在改善人民健康方面的作用，2018年，中国国务院宣布了一项雄心勃勃的计划，即在未来10年内，在中国各地建立一个通过互联网提供广泛医疗保健服务的完整系统;这一举措旨在解决……的长期问题gydF4y2Ba看冰南和看冰桂gydF4y2Ba(去看医生太不方便，也太贵)[gydF4y2Ba11gydF4y2Ba］．一个全面评估人们理解和使用基于网络的信息和服务的技能和素养的工具是必不可少的。特别是在中国实行城乡二元社会制度的情况下，城乡在经济、教育、医疗等方面的差距过去和现在都是巨大的。提供符合消费者电子卫生素养水平的为消费者量身定制的电子卫生信息是促使他们作出合理健康决策的关键[gydF4y2Ba9gydF4y2Ba］．gydF4y2Ba

目前，很少有具体衡量电子卫生素养的措施，与传统卫生素养相比，电子卫生素养具有不同的概念结构。2006年，制定了电子健康素养量表(eHEALS)，重点评估查找、评估和应用基于网络的健康信息以改善个人健康结果的技能[gydF4y2Ba12gydF4y2Ba］．它已在几个国家得到翻译和验证，并已被证明是评估电子卫生扫盲在帮助决策者制定适当战略以提供基于网络的信息以改善人们健康方面的影响的宝贵工具。gydF4y2Ba

在中国，有几项研究报道了eHEALS在不同环境下的表现，但都显示出一定的局限性。Chang和Schultz研究结果的普遍性[gydF4y2Ba13gydF4y2Ba]是有问题的，因为他们使用了来自中国某城市一家选定医院的352名患者，而且他们的目标人群只是那些自称患有慢性病的人。在Ma和Wu的研究中[gydF4y2Ba14gydF4y2Ba]，主要的限制是，该研究中包括的所有受访者都是农村居民，并且是从中国西部一个小城市(中国最贫穷的地区)的一个区招募的。截至2018年，中国约60%的人口居住在城市地区;因此，仅对一个地区的农村居民评估eHEALS的心理测量特性将导致普遍选择和信息偏差[gydF4y2Ba14gydF4y2Ba］．此外，Zibrik等人[gydF4y2Ba15gydF4y2Ba]还报告了eHEALS的心理测量特性;然而，他们的研究没有在中国大陆进行，目标人群是不列颠哥伦比亚省的华人移民和旁遮普的老年人口。Guo等的研究[gydF4y2Ba16gydF4y2Ba]似乎是中国eHEALS的第一个心理测量学研究;然而，有两个问题需要解决。首先，他们的工作是用中文而不是英文发表的，这对非中国的研究人员来说很难理解，这限制了亚洲国家内部或不同国家的中国人之间的国际或区域比较。第二，该研究的目标人群是110名来自北京(中国最发达的地区)的高中生。选择偏差和信息偏差不容忽视。此外，除了马和吴的研究[gydF4y2Ba14gydF4y2Ba]，尚未有研究同时使用经典测试理论(CTT)和项目反应理论(IRT)来评估中国eHEALS的效度，也没有研究采用差异项目功能(DIF)分析来调查量表的项目方差。考虑到上述总结的局限性，使用更全面的方法和更具有代表性的样本来评估中文版eHEALS的性能非常重要，该样本涵盖了来自发达地区和欠发达地区、城市和农村居民以及广泛的年龄范围的受访者。gydF4y2Ba

研究目的gydF4y2Ba

本研究旨在基于多中心横断面研究，考察简体中文版eHEALS (SC-eHEALS)在中国人群中的心理测量特性。gydF4y2Ba

方法gydF4y2Ba

翻译gydF4y2Ba

SC-eHEALS的翻译遵循国际议定书[gydF4y2Ba17gydF4y2Ba］．两名母语为中文但英语流利的翻译被邀请独立地将eHEALS从英语翻译成简体中文。两份成绩单由当地研究小组收集，供讨论和综合。随后，制作了修订版，并交给2名专业翻译独立反向翻译。当地的研究团队检查了反向翻译和英语原版，以确定任何差异，解决有争议的项目，并改进翻译，重点是文化适应性，直到所有研究团队成员达成共识。然后，从广州一家医院招募的15名患者进行了认知报告。所有受访者都被要求对回答选项以及他们觉得难以理解的词语或措辞发表评论。受访者被要求用自己的语言描述这个词或短语对他们来说意味着什么。当地研究团队讨论了试点研究的结果，然后验证了SC-eHEALS的最终版本。gydF4y2Ba

研究设计和数据收集gydF4y2Ba

本研究使用的数据来自一项多中心横断面调查，该调查调查了2019年11月至2020年1月中国患者对以患者为中心的护理(PCC)的态度。患者来自广东省(华南)5个城市(广州、深圳、湛江、梅州、韶关)8家医院的住院部。在指定的调查期间，所有来自目标医院的患者都被邀请参加调查。纳入标准如下:(1)年龄≥18岁，(2)能阅读和讲中文，(3)无认知问题，(4)能提供知情同意。一组具有丰富面对面访谈经验的调查人员被招募进行实地调查。在病房护士的协助下，所有受访者都被要求完成一份结构化问卷，其中包括人口统计学特征、社会经济地位(SES)、健康状况、幸福感、卫生服务使用、生活方式和对PCC的态度等问题。进行验证性因素分析(CFA)所需的最低样本量为300 [gydF4y2Ba18gydF4y2Ba，gydF4y2Ba19gydF4y2Ba］．对于IRT分析，分析包含多条目的量表所需的首选样本量为500个[gydF4y2Ba20.gydF4y2Ba］．总共有574名完成SC-eHEALS问卷的患者的数据被引出用于我们的心理测量分析。获得所有受访者的知情同意。研究方案经广州医科大学第二附属医院机构审查委员会批准(伦理批准ID: 2019-ks-28)。gydF4y2Ba

仪器gydF4y2Ba

eHEALSgydF4y2Ba

eHEALS用于衡量消费者在寻找、评估和应用eHealth信息以管理健康问题方面的综合知识、舒适度和感知技能[gydF4y2Ba12gydF4y2Ba］．它是基于一个由6个维度组成的框架开发的，用于理解和使用电子健康信息[gydF4y2Ba9gydF4y2Ba］．eHEALS有8个项目，根据李克特量表的5分评分，从gydF4y2Ba强烈反对gydF4y2Ba来gydF4y2Ba强烈同意gydF4y2Ba．原研究确认了单因素结构，信度可接受，Cronbach alpha为0.88 [gydF4y2Ba12gydF4y2Ba］．eHEALS的总和分数在8到40之间，其中分数越高表示对电子卫生素养的感知越强。前面已经讨论过eHEALS到SC-eHEALS的转换。gydF4y2Ba

成人ICEpop能力测试gydF4y2Ba

ICECAP-A是一种基于个人喜好的通用评估工具，用于评估个人的幸福感[gydF4y2Ba21gydF4y2Ba］．它有5个项目(稳定、依恋、自主、成就和享受)，每个项目有4个反应选项，从完全胜任到不胜任。gydF4y2Ba

总体健康状况gydF4y2Ba

使用视觉模拟量表(VAS)评估受访者的整体健康状况。他们得到了一个从0到100的量表，其中0代表最差的健康状况，100代表他们在调查当天所能想象到的最好的健康状况。gydF4y2Ba

统计分析gydF4y2Ba

建构效度gydF4y2Ba

使用CFA检测SC-eHEALS的结构。模型拟合由近似均方根误差(RMSEA≤0.08，尚可)、比较拟合指数(CFI>0.95，良好)、Tucker-Lewis指数(TLI>0.95，良好)和标准化均方根残差(SRMR<0.08，可接受)4个指标确定[gydF4y2Ba22gydF4y2Ba］．此外，补充了赤池信息准则(AIC)和贝叶斯信息准则(BIC)来比较模型的性能，数值越小，拟合越好。当原始研究中报告的单因素模型不被CFA支持时，使用探索性因子分析(EFA)。gydF4y2Ba

聚合效度gydF4y2Ba

通过评估SC-eHEALS和ICECAP-A项目与VAS项目之间的相关性来确认收敛效度。Pearson相关系数(r)用于评估相关性的强度，r>0.3被确定为gydF4y2Ba温和的gydF4y2Ba［gydF4y2Ba23gydF4y2Ba］．gydF4y2Ba

组织的有效性gydF4y2Ba

单因素方差分析(ANOVA)用于评估SC-eHEALS的已知组效度。由于不可能直接观察到个体的eHealth素养水平，在文献回顾的基础上，我们假设年轻、高学历或全职就业(代表良好的SES)的患者表现出较高的eHealth素养。gydF4y2Ba

项目统计和内部一致性可靠性gydF4y2Ba

报告了项目和量表水平SC-eHEALS评分的平均值和标准差，以及上限和下限效应。内部一致性信度采用Cronbach alpha (α>。7，一个cceptable), McDonald omega (ω>0.7, acceptable), and split-half reliability (λ>0.7, acceptable). Item-total correlations (>0.7 acceptable) and alpha were presented if items were deleted [23gydF4y2Ba］．gydF4y2Ba

红外热成像分析gydF4y2Ba

考虑到进行IRT分析的模型选择没有金标准，我们在本研究中采用了3个模型，比较了它们的性能，并报告了最佳拟合模型的结果。第一个模型是部分信用模型(PCM)，它是Rasch模型的扩展版本。第二种模型是通用部分信用模型(GPCM)，它是PCM的改进版本，用于估计分析中的2个参数;最后一个是评分量表模型，这是另一个拉什家族模型，它要求所有项目都有相同数量的选项。IRT模型的细节可以在DeMars [gydF4y2Ba24gydF4y2Ba］．采用似然比检验对模型的性能进行比较。同时采用AIC和BIC对模型拟合进行评估。模型比较结果表明，GPCM优于其他2个模型[gydF4y2Ba25gydF4y2Ba］．在GPCM分析中，计算每个项目的(1)鉴别度、(2)难度和(3)项目拟合度(S-χ2的值)，并计算项目信息曲线(IICs)和测试信息曲线(TIC) [gydF4y2Ba26gydF4y2Ba］．项目-类别特征曲线(ICCs)图形化地展示了对每个类别中给定项目的响应概率作为潜在特征(电子健康素养)的函数。gydF4y2Ba

不同项目功能gydF4y2Ba

DIF用于检查样本中不同亚组(性别、年龄、户籍、慢性病和教育程度)的回答可能导致的项目偏差[gydF4y2Ba27gydF4y2Ba］．伪麦克费登gydF4y2BaRgydF4y2Ba^2gydF4y2Ba用于估计DIF的大小。gydF4y2BaRgydF4y2Ba^2gydF4y2Ba<0.13为gydF4y2Ba可以忽略不计gydF4y2Ba， 0.13 ~ 0.26为gydF4y2Ba温和的gydF4y2Ba， >0.26 asgydF4y2Ba大gydF4y2Ba．［gydF4y2Ba28gydF4y2Ba]gydF4y2Ba

采用R (R foundation)进行数据分析gydF4y2BaPgydF4y2Ba值设置为<.05。对于IRT分析，应用Bonferroni校正gydF4y2BaPgydF4y2Ba值设置为<.006(.05/8)。gydF4y2Ba

结果gydF4y2Ba

受访者的特点gydF4y2Ba

在本研究中，超过一半的受访者为男性(292/574,50.9%)，平均年龄为45.58岁(SD 16.18)。他们中接近一半(263/574,45.8%)完成高等教育，50.8%(231/574)是城市居民。近一半的受访者报告患有慢性病(281/574,49.1%)，只有五分之一的受访者报告他们的疾病严重威胁到他们的生命(112/574,19.8%;gydF4y2Ba表1gydF4y2Ba)．gydF4y2Ba

建构效度gydF4y2Ba

CFA结果表明，单因素模型的模型拟合不理想，TLI值较低，RMSEA值较高(gydF4y2Ba表2gydF4y2Ba)．我们进一步检查残差相关和修改指数高的项目。通过对项目的用词和多合唱相关性的研究，我们发现非随机测量误差是由项目冗余引起的。对修正后的模型进行修正，明确了1与2、3与4、7与8项之间的误差协方差，提高了修正后模型的拟合性。EFA建议采用双因素结构(gydF4y2Ba多媒体附件1gydF4y2Ba)．CFA表示，修正后的双因素模型的性能并不比修正后的单因素模型好。在检验项目相关性和残差后，确定了修正的双因素模型，RMSEA=0.08, SRMR=0.02, CFI=0.99, TLI=0.96。修正后的双因素模型优于其他模型。所有CFA模型的观测变量的标准化因子负荷见gydF4y2Ba多媒体附件2gydF4y2Ba．gydF4y2Ba

收敛与已知群效度gydF4y2Ba

表3gydF4y2Ba显示sc - ehealing项目和ICECAP-A项目与总体健康状况之间的相关性。SC-eHEALS与其他指标的相关性均有统计学意义，但相关系数值为轻度相关。方差分析结果表明，年轻、受教育程度高且充分就业的受访者倾向于报告较高的电子卫生素养水平，这表明SC-eHEALS的已知群体效度得到了满足(gydF4y2Ba表4gydF4y2Ba)．gydF4y2Ba

项目统计和内部一致性可靠性gydF4y2Ba

表5gydF4y2Ba显示，项目8被评为最难的项目，平均得分为3.49 (SD 1.01)，而项目4被评为最简单的项目，平均得分为3.75 (SD 0.93)。项目没有出现下限效应，但有一些上限效应，范围从16.9%到19.69%。量表的信度很好，Cronbach alpha为0.96,McDonald omega为0.92,split-half reliability为0.96。此外，删除项目时的alpha值低于保留项目时的alpha值，项目-总相关系数在0.86和0.91之间。根据受访者特征分层的SC-eHEALS评分显示在gydF4y2Ba多媒体gydF4y2Ba．gydF4y2Ba

红外热成像分析gydF4y2Ba

文中给出了GPCM分析的结果gydF4y2Ba表6gydF4y2Ba．各题项的区分指数在2.63 ~ 5.42之间，说明SC-eHEALS能够区分高、低eHealth素养的个体，与潜在的特质敏感性相对应。阈值1和阈值4的条目难度分别为−2.03 ~−1.79和0.84 ~ 1.04。的gydF4y2BaPgydF4y2BaS-χ的值gydF4y2Ba^2gydF4y2Ba(具体项目适合度指数)反映了项目3 (gydF4y2BaPgydF4y2Ba<.001)， 4 (gydF4y2BaPgydF4y2Ba=.003)， 8 (gydF4y2BaPgydF4y2Ba<.001)可能在一定程度上表现出不适应。SC-eHEALS提供的大部分信息(70%)在潜在特质量表上介于- 6和0之间(不同IRT模型之间的比较在gydF4y2Ba多媒体附件4gydF4y2Ba， SC-eHEALS的失配项表示在gydF4y2Ba多媒体gydF4y2Ba)．gydF4y2Ba

SC-eHEALS的ICCs和IICs如图所示gydF4y2Ba图1gydF4y2Ba而且gydF4y2Ba2gydF4y2Ba,分别。icc曲线显示，所有项目的类别阈值顺序与预期一致，这意味着所有类别都足够将受访者放在量表上。iic呈多态分布。项目1和2的形状是最陡峭的，比其他项目提供了更多的信息。第3项和第8项的形状是最平坦的，这意味着这些项目提供的信息很少。SC-eHEALS的TIC在gydF4y2Ba多媒体附件6gydF4y2Ba．gydF4y2Ba

物品-人图既显示了物品的位置参数，也显示了人的参数沿同一潜维的分布。我们发现阈值3和阈值4之间的差距比其他差距更大;不过，项目1至8的差异已减少。而阈值1与阈值2之间的差异较小;但是，从第1项到第8项，差异有所增加。个人参数的分布显示，一些受访者位于潜在特质量表的高端，这意味着他们很可能具备强大的电子健康素养(gydF4y2Ba图3gydF4y2Ba)．gydF4y2Ba

‎gydF4y2Ba 查看此图gydF4y2Ba

‎gydF4y2Ba 查看此图gydF4y2Ba

‎gydF4y2Ba 查看此图gydF4y2Ba

DIF分析gydF4y2Ba

SC-eHEALS的第6项在考虑不同年龄组的受访者时显示了统一的DIF。然而，震级小于0.13，证实了DIF的效应大小可以忽略不计[gydF4y2Ba29gydF4y2Ba) (gydF4y2Ba多媒体gydF4y2Ba)．gydF4y2Ba

讨论gydF4y2Ba

主要研究结果gydF4y2Ba

在中国，由于网络医疗信息的迅速普及，越来越多的人转向互联网来寻求医疗保健信息。然而，用户是否可以利用这些信息来改善他们的健康状况很难衡量。本研究结果支持SC-eHEALS (gydF4y2Ba多媒体附件8gydF4y2Ba)是衡量中国自我报告的电子健康素养的有效和可靠的工具。对于普通公众，SC-eHEALS提供了一种措施，帮助他们评估基于网络的健康信息，严格评估电子卫生资源的质量，这可以保护他们免受低质量信息的伤害，并使他们能够管理自己的健康。政策制定者提供了重要信息，以了解人们对电子卫生素养的感知程度，并制定具有成本效益的战略，利用互联网升级医疗保健部门[gydF4y2Ba30.gydF4y2Ba］．gydF4y2Ba

与以往研究的比较gydF4y2Ba

eHEALS的原始单因素结构，已被中国大陆先前的研究所证实[gydF4y2Ba13gydF4y2Ba，gydF4y2Ba14gydF4y2Ba的结论是可以接受的，但我们的研究并没有完全支持这一结论。这并不是一个意料之外的结果;其他一些研究报告了两个因素[gydF4y2Ba4gydF4y2Ba，gydF4y2Ba31gydF4y2Ba]或三因素结构[gydF4y2Ba3.gydF4y2Ba，gydF4y2Ba32gydF4y2Ba］．Diviani等[gydF4y2Ba33gydF4y2Ba]指出，在使用CFA时，无论是最初由开发人员提出的单因素模型，还是其他研究提出的双因素模型，都没有显示出与数据的充分拟合。卡明斯(gydF4y2Ba34gydF4y2Ba]表明翻译可能会改变项目的原始含义，这些变化可能会影响目标受访者的感知意义。此外，最初的eHEALS是在社交媒体兴起之前开发的，社交媒体完全改变了人们与健康信息的互动，这可能会影响eHEALS的结构[gydF4y2Ba32gydF4y2Ba］．此外，eHEALS是基于一个最初由6个识字领域组成的模型开发的，Noman等人[gydF4y2Ba12gydF4y2Ba建议每一项技能都需要独立的测量。然而，在本研究中，双因素结构并非没有问题。首先，CFI、TLI和SRMR的值表明，修正后的单因素模型的性能并不比双因素模型差。只有RMSEA值支持修正后的双因素模型优于其他模型。Paige等人在研究中也报告了类似的发现[gydF4y2Ba3.gydF4y2Ba]，他们最终确认了单因素结构。第二，修正后的双因素模型中各项目的因子负荷与单因素模型相似;第7项的值更低(0.594)，说明两种结构的稳定性差异可以忽略不计。考虑到人们操作网络信息的不同能力取决于他们的人口统计、社会经济地位和健康状况，我们决定保持单因素结构。未来应开展其他亚群SC-eHEALS结构的研究。一个清晰的SC-eHEALS结构将有助于未来的计算机自适应测试(CAT)实践。应用基于CAT的SC-eHEALS可提高其准确性和敏感性[gydF4y2Ba3.gydF4y2Ba]，确保所选项目能够满足受访者的电子卫生素养水平。gydF4y2Ba

选择选项的受访者比例gydF4y2Ba中性gydF4y2Ba以上的比例较高，说明他们大多具备中高水平的电子健康素养和技能，对搜索、理解、分析和使用电子健康信息有信心。SC-eHEALS的所有物品都被检测到天花板效应，尽管效果不是很强。eHEALS的反应分布在中国的其他研究中未见报道。然而，Paige等人[gydF4y2Ba3.gydF4y2Ba]报道称，在美国人群中，eHEALS的平均分在3.57到3.96之间。SC-eHEALS的鉴别能力可能还不够强，无法区分具有不同电子卫生素养水平的人。此外，SC-eHEALS的Cronbach alpha值(.96)高于中国其他研究报告的可靠性[gydF4y2Ba13gydF4y2Ba，gydF4y2Ba14gydF4y2Ba]及其他语言版本[gydF4y2Ba3.gydF4y2Ba，gydF4y2Ba4gydF4y2Ba，gydF4y2Ba12gydF4y2Ba，gydF4y2Ba35gydF4y2Ba，gydF4y2Ba36gydF4y2Ba］．然而，Chang和Schultz [gydF4y2Ba13gydF4y2Ba]发现，删除第7项或第8项可以提高eHEALS在中国的可靠性，这在其他任何研究中都没有报道过。此外，我们发现eHEALS的平均分在不同人群中差异很大。例如，Diviani等人[gydF4y2Ba33gydF4y2Ba]报告了与我们相同的结果，受访者认为第4项是最简单的，第8项是最难的。钟及南[gydF4y2Ba36gydF4y2Ba]发现，在美国样本中，第4项被认为是最简单的项目，而第7项被认为是最难的项目。范德法特等[gydF4y2Ba4gydF4y2Ba]确定了项目3和8分别在所有项目中获得了最高和最低的平均分。鉴于不同的研究招募了不同亚人群的样本，以及互联网在不同国家的扩散是不同的，应该进行进一步的探索，以进行更多的国际比较。gydF4y2Ba

在本研究中，GPCM被证明是最适合的IRT模型。以前没有研究使用GPCM来测试eHEALS的心理测量特性。Diviani等[gydF4y2Ba33gydF4y2Ba]采用非参数IRT模型，Paige等[gydF4y2Ba3.gydF4y2Ba]采用PCM模型，Zrubka等[gydF4y2Ba35gydF4y2Ba]以及“马”和“吴”[gydF4y2Ba14gydF4y2Ba]使用了分级反应模型。我们的研究丰富了IRT模型的应用知识，并支持现有的使用IRT方法对eHEALS进行心理测量分析的研究。GPCM分析表明SC-eHEALS的总体性能令人满意。ICCs表明，每个项目的响应类别是有序的，所有类别最有可能处于连续统上的同一点。对于位置参数，所有的项目都被放置在潜在特质的- 3到3之间。项目的差别是积极的，可以区别具有不同电子卫生素养水平的个人。项目-人图表明SC-eHEALS的项目位于合理的范围内，并且相对于人的测量分布处于良好的中心。Diviani等[gydF4y2Ba33gydF4y2Ba]在意大利eHEALS报告了类似的发现;然而，Paige等人[gydF4y2Ba3.gydF4y2Ba显示eHEALS的反应类别涵盖了更广泛的潜在特征。信息曲线显示中国农村人口的多态分布[gydF4y2Ba14gydF4y2Ba]以及Zrubka等人的研究中所显示的匈牙利人口[gydF4y2Ba35gydF4y2Ba］．SC-eHEALS的TIC提供了能力量表中心附近的精确估计，范围在−3和2之间，但随着能力水平接近量表的极端，测试的准确性显著下降。不匹配项的图显示，大多数不精确的估计发生在的选项上gydF4y2Ba中性gydF4y2Ba并同意，这表明这两个选项可能不够准确，无法测量中等至高度电子健康素养人群的潜在特征。为了更精确地衡量电子卫生素养，未来的研究应探索哪些应对方案更适合纳入SC-eHEALS [gydF4y2Ba4gydF4y2Ba］．gydF4y2Ba

此外，第6项(评估卫生资源的技能)在不同年龄组(年龄较大与年龄较小)的受访者中被标记为具有DIF，这反映了他们对该项目的回答概率不相等。以前没有研究报告使用DIF分析在项目级别上有类似的发现。马和吴[gydF4y2Ba14gydF4y2Ba]表明，第6项在中国eHEALS中判别力最低。然而，在得出这个结论时应该谨慎，因为我们不能确定DIF是否由于某种形式的测量误差而发生[gydF4y2Ba37gydF4y2Ba］．换句话说，我们既不能明确推断第6项的DIF反映了被调查者之间潜在特质的真实群体差异，也不能将这一发现归因于测量过程中的偏差。gydF4y2Ba

优势与局限gydF4y2Ba

这项研究有几个优点。首先，参与本次研究的受访者来自发达地区和欠发达地区，有城乡居民，年龄跨度大，比以往在中国的研究具有更好的代表性。其次，本研究使用CTT和IRT方法评估了SC-eHEALS的心理测量特性。第三，在IRT分析中，通过比较3个IRT模型的性能，选择最适合的模型。第四，首先采用DIF分析评估中国人群eHEALS的项目偏倚和方差。对中国eHEALS验证研究的特点进行了比较gydF4y2Ba多媒体gydF4y2Ba．gydF4y2Ba

本研究的几个局限性应该得到解决。首先，所有受访者均来自住院部。这意味着他们中的大多数人可能健康状况不佳，这就造成了一定程度的选择偏差。轻度或无健康问题的患者应纳入后续研究，以进一步测试SC-eHEALS的心理测量特性。其次，本研究的样本量小于1000，这可能会在估计IRT模型时产生一些不确定性，特别是使用GPCM(一个双参数模型)。在未来的研究中应该收集更大的样本来验证我们的发现。第三，在评估SC-eHEALS的心理测量特性时，我们没有区分患有不同疾病的患者，这可能在解释仪器的有效性时产生了一些问题。SC-eHEALS的性能应在不同的患者组中进一步评估。第四，我们没有收集受访者与互联网使用相关的行为信息，如网站的频率和类型;因此，不能评估标准的有效性。 Finally, the information of patients who refused to participate in the survey was not recorded, which might have led to a measure of information bias.

结论gydF4y2Ba

本研究使用来自中国多中心研究的大样本患者评估SC-eHEALS的心理测量特性。它提供的经验证据表明，SC-eHEALS是评估中国不同人口统计、社会经济地位(如农村和城市居民)和健康状况的人群的电子健康素养程度的有效、可靠和简约的工具。CFA并不完全支持原来的单因素结构，还需要进一步的探索。IRT分析表明，SC-eHEALS可能不适用于电子卫生素养非常高或非常低的人群。需要进一步的研究来检测SC-eHEALS在不同亚人群中的异质性，并进一步评估其标准效度。gydF4y2Ba