随着互联网的出现，公众可以越来越多地获得与健康有关的信息[gydF4y2Ba 1gydF4y2Ba]。据估计，全世界近四分之三的互联网用户曾在网上查找健康信息[gydF4y2Ba 2gydF4y2Ba，gydF4y2Ba 3.gydF4y2Ba]。错误或不完整的信息可能会产生潜在的负面影响，例如，对医患关系、对筛查项目的参与或对治疗的坚持。gydF4y2Ba 4gydF4y2Ba]。因此，需要更多地关注人们与基于web的健康信息交互的能力。gydF4y2Ba

人们处理健康信息的一般能力传统上被定义为健康素养[gydF4y2Ba 5gydF4y2Ba]。为了评估电子环境下的健康素养技能，Norman和Skinner [gydF4y2Ba 6gydF4y2Ba，gydF4y2Ba 7gydF4y2Ba]引入了电子卫生素养的概念和衡量标准，将其定义为"从电子来源寻找、发现、理解和评估卫生信息的能力，并将所获得的知识应用于处理或解决卫生问题"。据其作者称，电子健康素养量表(eHEALS)是一个很有前途的工具，可以评估消费者在使用信息技术促进健康方面的舒适度和技能，并确定哪些人可能从转介到电子健康干预措施或临床环境中的资源中受益[gydF4y2Ba 7gydF4y2Ba]。gydF4y2Ba

eHEALS由8个项目组成，衡量消费者在发现、评估和应用电子健康信息解决健康问题方面的综合知识、舒适度和感知技能。该量表是根据电子健康素养的概念制定的[gydF4y2Ba 7gydF4y2Ba]。根据作者的说法，电子卫生素养包括六种核心技能或素养(传统素养、卫生素养、信息素养、科学素养、媒体素养和计算机素养)，它们遵循社会认知理论和自我效能理论的原则[gydF4y2Ba 8gydF4y2Ba]，被认为是行为改变和技能发展的先兆[gydF4y2Ba 6gydF4y2Ba，gydF4y2Ba 7gydF4y2Ba]。gydF4y2Ba

该量表的作者已经证明了其英文原版的可靠性和有效性[gydF4y2Ba 7gydF4y2Ba]。多年来，其他研究支持了eHEALS的可靠性和有效性，例如，通过显示该量表与测量与健康相关的互联网使用的不同方面的几个量表密切相关(但不同于其他量表)，如在网上寻找健康信息，对采用信息通信技术(ict)用于健康目的的态度，使用互联网搜索策略，通过上网寻求健康信息的感知结果，以及使用互联网评估标准[gydF4y2Ba 7gydF4y2Ba，gydF4y2Ba 9gydF4y2Ba，gydF4y2Ba 10gydF4y2Ba]。在这些研究中，没有发现eHEALS得分与受访者的个人特征(如性别、教育程度或年龄)有一致的联系。到目前为止，eHEALS已被翻译并验证为荷兰语[gydF4y2Ba 11gydF4y2Ba]，日语[gydF4y2Ba 12gydF4y2Ba]，中文[gydF4y2Ba 13gydF4y2Ba]，德语[gydF4y2Ba 14gydF4y2Ba]，西班牙语[gydF4y2Ba 15gydF4y2Ba]，意大利语[gydF4y2Ba 16gydF4y2Ba]，伊朗语[gydF4y2Ba 17gydF4y2Ba]和希伯来语[gydF4y2Ba 10gydF4y2Ba，gydF4y2Ba 18gydF4y2Ba]。所有语言版本的量表均表现出高的内部一致性。这些结果通常被认为是该量表在不同文化背景下的可靠性的指示。gydF4y2Ba

大多数旨在验证语言版本eHEALS的研究至少存在两个重要的局限性。首先，虽然英文版的量表已经应用于各种样本，但验证大多是在特定人群中进行的，例如学生[gydF4y2Ba 13gydF4y2Ba-gydF4y2Ba 16gydF4y2Ba]，年轻人[gydF4y2Ba 17gydF4y2Ba]，病人[gydF4y2Ba 11gydF4y2Ba]，或老年人[gydF4y2Ba 19gydF4y2Ba]。这些样本仅部分反映了该工具的目标人群，即基于web的健康信息的消费者。因此，到目前为止，还不可能在更广泛的样本中得出关于eHEALS的可靠性和有效性的一般性结论。gydF4y2Ba

过去验证研究的第二个重要限制在于对经典检验理论(CTT)和因子分析(FA)的广泛依赖。与传统的卫生素养和其他能力测试一样，电子卫生素养测试的项目涉及不同难度的技能，这些技能可能属于单一的电子卫生素养连续体(见gydF4y2Ba 多媒体附录1gydF4y2Ba获取项目的概述)。例如，知道如何利用互联网查找与健康有关的信息(项目1)可被视为一项基本技能，而能够区分互联网上找到的健康信息的好坏(项目7)可被视为一项更高级的技能;因此，受访者对项目7的认同可能表明，与对项目1的认同相比，他们对自己的电子健康素养更有信心。题目难度的差异导致不同的回答选项被被调查者认可的概率不同。这可能是多年来不同作者对量表的析因结构得出不同结论的原因。Soellner及其同事[gydF4y2Ba 20.gydF4y2Ba例如，使用验证性因子分析(CFA)来比较基于Norman和skinner的[gydF4y2Ba 7gydF4y2Ba]根据量表项目的内容和措辞及本人以往的研究，以预设的双因素模型进行分析[gydF4y2Ba 14gydF4y2Ba]。他们的分析结果表明，更适合于2因素模型，支持分为两个子量表:gydF4y2Ba 信息寻求gydF4y2Ba(第1-5项和第8项)gydF4y2Ba 信息评估gydF4y2Ba(第6项和第7项)。Neter等人也应用了CFA [gydF4y2Ba 18gydF4y2Ba]到音阶的希伯来语翻译。他们的分析证实了双因素解决方案的更好拟合，但发现两个因素包括不同的项目(因素1:项目1、2和4;因素2:第3项和5-8项)。最近，使用主成分分析(PCA)的伊朗翻译量表的探索性因素分析(EFA)也提出了一个双因素结构，将项目1和2分组在第一个因素中，将所有其他项目分组在第二个因素中[gydF4y2Ba 17gydF4y2Ba]。eHEALS的所有其他译本都证实了量表作者提出的单因素结构，尽管van der Vaart和他的同事[gydF4y2Ba 11gydF4y2Ba]在他们使用PCA的EFA中报道，PCA是第二个特征值为1.1的分量，可以支持第二个维度的存在。gydF4y2Ba

心理测量学文献承认，如果项目的难度不同，PCA可能会产生一个多维解决方案，将相似难度的项目组合在一起;虽然CFA被认为是一种结构效度的信息性测试，如果项目属性是已知和可接受的，项目反应理论(IRT)方法被推荐用于在这种情况下检查维度[gydF4y2Ba 21gydF4y2Ba，gydF4y2Ba 22gydF4y2Ba]。最近对原始版本eHEALS的心理测量分析使用PCA来测试单维性，尽管它对项目属性进行了相当全面的参数IRT探索[gydF4y2Ba 23gydF4y2Ba]。然而，可以在IRT框架内与其他几个项目属性一起适当地测试规模维度。有两种不同的方法可用，可以比较以更好地理解这个概念。非参数项目反应理论(NIRT)(即Mokken量表分析，MSA)允许测试适合最适合电子健康素养的测量模型。这个概念指的是个体之间的相对差异;也就是说，一个既知道寻找信息又知道评价信息质量的人被描述为比一个能找到信息但不能评价信息的人有更高的文化水平，但这两个人之间的差异在本质上不是定量的。对于这些概念，MSA将是首选，因为它允许调查一个项目集是否衡量受访者之间关于潜在特质的顺序差异(即顺序测量)[gydF4y2Ba 23gydF4y2Ba，gydF4y2Ba 24gydF4y2Ba]。相比之下，参数IRT方法旨在精确量化差异。在eHEALS中，对于有序的项目，评定量表模型(RSM)代表了一套更严格的要求，如果在项目和被调查者层面上得到满足，就可以证明在精确度和简洁性方面具有最佳的测量质量，也被称为“基本测量”[gydF4y2Ba 25gydF4y2Ba]。通过在意大利版电子健康素养量表(I-eHEALS)上测试这两种IRT模型，我们可以更详细地了解其心理测量特性，它可以支持哪些推论，以及为电子健康素养的操作化可以追求哪些进一步发展的途径。gydF4y2Ba

为了对上述关于eHEALS的两个主要开放问题获得新的见解，本文报告了I-eHEALS的人口样本的翻译和验证。除了CTT和FA之外，我们还应用MSA来检查维度和模型拟合，并使用参数IRT方法来重现和扩展先前对eHEALS项目属性的探索[gydF4y2Ba 23gydF4y2Ba，gydF4y2Ba 26gydF4y2Ba]。gydF4y2Ba

为了探索I-eHEALS的心理测量特性，在瑞士意大利语区生活的个人样本中进行了一项基于网络的调查。从社会文化的角度来看，这一人口与意大利人口非常接近，在网上寻求健康信息的活动方面也是如此，因为他们可以获得相同的信息。gydF4y2Ba

在2013年夏季(研究1)和2015年春季(研究2)的一个大型项目中进行的两次调查中，数据是通过基于网络的自我管理问卷收集的。两项调查的参与者都是通过广告招募的，广告刊登在当地一所大学的一家私人诊所的候诊室，以及一份地区性的基于网络的报纸上。选择使用不同的招聘渠道的目的是确保样本在年龄和教育背景方面的多样性。广告中包含有关研究的信息，研究小组的联系方式，以及问卷的链接。参与者只能参加一次调查。所有完成调查并同意提供联系方式(电子邮件地址或电话号码)的参与者都可以参加抽奖，从当地一家杂货店获得三张25欧元的优惠券之一。共有296个个体(NgydF4y2Ba_所gydF4y2BaN = 117,gydF4y2Ba_{Study2gydF4y2Ba}=179)，年龄在16 ~ 71岁之间(平均年龄37.37岁，标准差13.776)。样本以女性为主(193/296,65.2%)，几乎一半的受访者至少受过大学教育(129/296,43.6%)。其余受访者要么拥有高中文凭(82/296,27.7%)，要么拥有职业培训证书(55/296,18.6%)。gydF4y2Ba

虽然几乎90%的受访者(257/296,86.8%)报告每天使用互联网，但大多数受访者(210/296,70.9%)报告每周使用互联网获取健康相关信息的次数少于一次。研究1和研究2在基于网络的健康信息搜索方面没有显著差异(gydF4y2Ba PgydF4y2Ba=无误)。gydF4y2Ba

研究1的参与者(平均33.81,SD 10.466)比研究2的参与者(平均39.77,SD 15.170)略年轻;gydF4y2Ba tgydF4y2Ba_288gydF4y2Ba=−3.697,gydF4y2Ba PgydF4y2Ba<措施,gydF4y2Ba dgydF4y2Ba= .46;然而，这两个样本在性别方面没有差异gydF4y2Ba^2gydF4y2Ba= 4.5gydF4y2Ba PgydF4y2Ba= 0.104)和文化程度(χgydF4y2Ba^2gydF4y2Ba= 7,gydF4y2Ba PgydF4y2Ba= .88点)。gydF4y2Ba

根据《瑞士联邦人类研究法》(2011年9月30日《人类研究法》[HRA])，不涉及疾病或人体结构或功能的研究不需要伦理审查委员会的正式批准。所有参与者在入组前都被告知研究的性质和目的，并可随时决定撤回参与研究的同意。gydF4y2Ba

调查的主要部分是i -电子健康素养量表(gydF4y2Ba 多媒体附录1gydF4y2Ba)。和英文版的量表一样，参与者被要求对他们对陈述的同意程度进行5分李克特评分，范围从gydF4y2Ba 强烈反对gydF4y2Ba来gydF4y2Ba 强烈同意gydF4y2Ba(gydF4y2Ba 7gydF4y2Ba]。该比额表按照世界卫生组织的指导方针进行了严格的前后转换过程[gydF4y2Ba 27gydF4y2Ba]。第一步，一位精通英语并熟悉英语文化的意大利语翻译将项目翻译成意大利语。在第二步中，这些条目由一名独立的翻译人员翻译回英语，该翻译人员的母语是英语，并且对问卷一无所知。两位翻译人员和研究小组将翻译后的条目与原始条目进行比较，以确定可能存在的概念差异。此外，为了充分考虑可能的文化差异，对13名被认为代表目标人群的个人进行了深入访谈。深度访谈的样本由4名男性和9名女性组成，年龄在17至61岁之间，受教育程度不同，互联网使用习惯也不同。所有参加访谈的人都被要求在完成问卷的过程中大声思考，并突出问题点。整个过程导致了一些小的措辞变化，并确认了I-eHEALS的清晰度和可理解性。gydF4y2Ba

只有在研究1中，还收集了关于受访者在网络上寻求健康信息的经历和态度的数据。特别是，收集了以下方面的数据:基于网络的健康信息搜索频率、对互联网作为健康信息来源的信任、对为健康目的采用信息通信技术的态度(2项);gydF4y2Ba rgydF4y2Ba= .692,gydF4y2Ba PgydF4y2Ba<.001)，使用网络搜索策略(5项，Cronbach alpha=.674) [gydF4y2Ba 10gydF4y2Ba]、上网寻求健康信息的感知结果(9项，Cronbach alpha=.937) [gydF4y2Ba 10gydF4y2Ba，gydF4y2Ba 28gydF4y2Ba]，使用互联网评价标准(5项，Cronbach alpha=.879) [gydF4y2Ba 29gydF4y2Ba]，以及对电子健康的总体倾向(2项);gydF4y2Ba rgydF4y2Ba= .600,gydF4y2Ba PgydF4y2Ba<措施)(gydF4y2Ba 7gydF4y2Ba]。已知所有这些构念与电子健康素养呈正相关，并被用于评估意大利量表的收敛效度。研究中使用的量表概述见gydF4y2Ba 多媒体附录2gydF4y2Ba．gydF4y2Ba

最后，收集有关选定的参与者的社会人口学特征的数据。这些因素包括性别、年龄、教育水平以及与健康相关的一般互联网使用情况。gydF4y2Ba

采用IBM SPSS Statistics 21.0、R统计软件(R Foundation for Statistical Computing)和Winsteps软件(Winsteps, Beaverton, Oregon)进行统计分析。gydF4y2Ba

参与者在I-eHEALS上的平均得分为26.65 (SD 6.276)。研究1(平均27.21,SD 6.083)和研究2(平均26.27,SD 6.388)参与者之间没有发现差异;gydF4y2Ba tgydF4y2Ba_294gydF4y2Ba= 1.261,gydF4y2Ba PgydF4y2Ba= . 21。I-eHEALS项目的平均得分在1到5的范围内，在2.75(标准差1.146，项目8)和3.62(标准差0.960，项目2)之间，因此表明项目难度的差异很大。项目间相关性从gydF4y2Ba rgydF4y2Ba= .309（gydF4y2Ba PgydF4y2Ba<措施)gydF4y2Ba rgydF4y2Ba= .800（gydF4y2Ba PgydF4y2Ba<措施)。除一项外的所有项目(gydF4y2Ba 强烈反对gydF4y2Ba项目2的类别(8个观察值)每个类别至少有10个观察值。关于项目特征和项目间相关性的更多细节见gydF4y2Ba 表1gydF4y2Ba．gydF4y2Ba

所有项目与至少一个其他项目的相关性至少为0.3，表明合理的因子性(gydF4y2Ba 表1gydF4y2Ba)。抽样充分性的Kaiser-Meyer-Olkin测度值为0.879，高于通常推荐值0.6，球形度的Bartlett检验具有显著性(χgydF4y2Ba^2gydF4y2Ba_28gydF4y2Ba= 1368.7,gydF4y2Ba PgydF4y2Ba<措施)。因此，FA被认为适用于所有8个项目。共鉴定出13个多变量异常值(马氏距离bb0 26.125，卡方阈值df=8;gydF4y2Ba PgydF4y2Ba= . 01);这些数据保存在数据集中，以复制已发表的因子分析程序。gydF4y2Ba

PCA提出了一个两因素的解决方案，其中第一个因素解释了I-eHEALS得分的57.7%的方差，第二个因素解释了额外的14.9%的方差(见gydF4y2Ba 表2gydF4y2Ba详情)。所有项目在因子1上的因子负荷都很高(范围=。651来.834），whereas two items presented high factor loadings also on Factor 2 (item 6=.585, item 7=.626). This 2-factor solution mirrors the one proposed by Soellner and colleagues [ 14gydF4y2Ba]。gydF4y2Ba

我们对Norman and Skinner提出的1因素模型(模型一)和Soellner等人提出的2因素模型(模型二)两种不同的模型进行了CFA分析。两种模型的比较表明，2因素模型(gydF4y2Ba 表3gydF4y2Ba)。单个模型指数和144.8的卡方差异证实了这一点(df=1;gydF4y2Ba PgydF4y2Ba<.001)。gydF4y2Ba

虽然模型II似乎是一个更好地拟合我们的数据，卡方检验和拟合指数(SRMR除外)表明一个次优模型拟合两个模型。gydF4y2Ba

的gydF4y2Ba HgydF4y2Ba_我gydF4y2BaI-eHEALS和摘要中所有项的值gydF4y2Ba HgydF4y2Ba尺度系数(gydF4y2Ba HgydF4y2Ba=0.553, SE 0.032)均高于0.3的下限截止点(见gydF4y2Ba 表4gydF4y2Ba)。这些结果证实了I-eHEALS量表可以被认为是一维的，并且所有项目都测量了一个潜在的结构。gydF4y2Ba

通过增加均匀性阈值的尺度单维性探索gydF4y2Ba AISPgydF4y2Ba表明在同质性阈值水平为0.30 ~ 0.45时，所有条目均属于同一量表;而在0.50的阈值，项目6和7聚集在一个单独的规模。gydF4y2Ba

局部独立性和单调性测试表明，数据集中的任何项目都没有明显违反这两个标准，从而证实，除了潜在维度造成的条件关联之外，项目之间不存在条件关联，并且随着受访者电子健康素养水平的提高，赞同表明能力较高的回答选项的可能性单调地增加(gydF4y2Ba 图1gydF4y2Ba)。gydF4y2Ba

IIO评估的结果表明没有明显违反这一假设。因此，项目2和项目8在潜在构念的不同层次上呈现出相同的难度顺序，项目2是最简单的，项目8是最难的。gydF4y2Ba

共有18名参与者在分布的极端高端(高于第三个四分位数的1.5个四分位数区间)有一定数量的古特曼误差，被认为是异常值。gydF4y2Ba

项目合身、配套、规范gydF4y2Ba tgydF4y2Ba分数显示在gydF4y2Ba 表5gydF4y2Ba．所有项目拟合均方均在可接受范围内。28人(9.5%)存在欠拟合(均方>1.4和标准化拟合统计量>2)，45人(15.2%)存在过拟合(均方<。60，并根据拟合值标准化拟合统计<−2)。这些结果与服装价值的结果基本一致。gydF4y2Ba

所有类别都有10个或更多的观测值，除了项目2的SD类别(8个观测值)。每个评分类别的均方根均在可接受的范围内。gydF4y2Ba

项目难度等级(从最简单到最难-项目2到项目8)以及项目和人员的目标示于gydF4y2Ba 图2gydF4y2Ba．大多数参与者的电子健康素养潜在水平高于平均水平，而项目和项目类别阈值主要接近平均值。因此，I-eHEALS不太能够衡量具有极端电子健康素养水平的受访者。总共鉴定出5个最高分数和3个最低分数，表明有限的天花板和地板效应。gydF4y2Ba

真实人信度为0.87(人分离度为2.57)，表明对不同能力水平的被调查者有较好的区分能力。gydF4y2Ba

项目8的DIF是按性别确定的(妇女的难度高出0.59 logits;gydF4y2Ba PgydF4y2Ba<.001)，根据数据来源，第7项(研究1的难度比研究2高0.56 logits;gydF4y2Ba PgydF4y2Ba= .002)。题目难度在33岁以下和33岁以上的被调查者之间，以及受过大学教育和没有受过大学教育的被调查者之间没有差异。gydF4y2Ba

最终的I-eHEALS(平均26.64,SD 6.276)具有极好的信度(Cronbach alpha=.891)。Pearson相关性和gydF4y2Ba tgydF4y2Ba测试评估I-eHEALS得分与性别、年龄、教育水平和互联网使用频率的差异。调查中没有发现被调查者的特征与I-eHEALS得分有显著关联(gydF4y2Ba 表6gydF4y2Ba)。被调查者的I-eHEALS得分与其他理论相关构念得分之间的Pearson相关性显示，他们在网上寻找健康信息的行为与他们之间存在显著的正相关(gydF4y2Ba rgydF4y2Ba= .434,gydF4y2Ba PgydF4y2Ba<.001)，对互联网作为健康信息来源的信任(gydF4y2Ba rgydF4y2Ba= .251,gydF4y2Ba PgydF4y2Ba=.006)、对为健康目的采用信通技术的态度(gydF4y2Ba rgydF4y2Ba= .479,gydF4y2Ba PgydF4y2Ba<.001)， eHealth易感性(gydF4y2Ba rgydF4y2Ba= .377,gydF4y2Ba PgydF4y2Ba<.001)，使用互联网搜索策略(gydF4y2Ba rgydF4y2Ba= .453,gydF4y2Ba PgydF4y2Ba<.001)、通过上网寻求健康信息的感知结果(gydF4y2Ba rgydF4y2Ba= .577,gydF4y2Ba PgydF4y2Ba<.001)，以及使用互联网评估标准(gydF4y2Ba rgydF4y2Ba= .331,gydF4y2Ba PgydF4y2Ba<措施)。gydF4y2Ba

本研究的主要目的是验证I-eHEALS。由于以往的验证研究并未对量表的因子结构达成一致，因此本文特别关注这方面的研究。因此，除了CTT和因子分析外，IRT技术亦被应用于考虑到量表的项目可能在难度上有所不同，因为它已被推荐用于构念测量能力[gydF4y2Ba 42gydF4y2Ba]。使用I-eHEALS量表评分来检查组间差异以及与理论相关概念的关联。gydF4y2Ba

虽然卫生扫盲工具已经用其他统计技术进行了检验[gydF4y2Ba 43gydF4y2Ba，gydF4y2Ba 44gydF4y2Ba]，该领域的大多数测量开发和验证仍然依赖于不太充分的FA方法[gydF4y2Ba 45gydF4y2Ba]。尽管最近的一些研究已经将IRT应用于原始的eHEALS [gydF4y2Ba 23gydF4y2Ba，gydF4y2Ba 46gydF4y2Ba]，我们的研究是第一个应用这些技术来研究量表翻译的结构。此外，与在学生或患者样本中进行的其他验证相比，我们使用了一般人群样本。根据初步探索性和验证性因子分析的结果，量表似乎具有双因素结构。这个解决方案在过去已经被Soellner和他的同事提出[gydF4y2Ba 14gydF4y2Ba]，据报道荷兰版eHEALS也有二次元的存在[gydF4y2Ba 11gydF4y2Ba]。借用了传统健康素养概念中广泛使用的术语[gydF4y2Ba 47gydF4y2Ba]， PCA建议的两个维度似乎指的是gydF4y2Ba 功能性电子健康素养gydF4y2Ba技能(项目1-5和8)和gydF4y2Ba 关键的电子卫生素养gydF4y2Ba技能(第6项和第7项)然而，当使用CFA来比较我们的PCA和Soellner等人提出的模型的拟合时[gydF4y2Ba 14gydF4y2Ba]以及该量表作者最初提出的单因素模型[gydF4y2Ba 7gydF4y2Ba]，两个模型都没有显示出与数据的充分拟合。gydF4y2Ba

因此，随后使用非参数和参数IRT方法评估量表的维度，其中考虑到项目在难度方面可能不同的事实。这种方法已被推荐用于测量能力的结构，如eHEALS [gydF4y2Ba 42gydF4y2Ba]。Mokken分析表明，意大利版eHEALS可以被认为是单维的，所有的项目都测量了一个单一的潜在构念，具有良好的同质性，这与量表作者最初提出的观点一致[gydF4y2Ba 7gydF4y2Ba]。此外，我们的分析表明，数据符合MHM，也符合IIO的附加假设。这一结果对该量表的适用性有三个主要影响(见[gydF4y2Ba 24gydF4y2Ba]进行理论概述)。首先，I-eHEALS项目可用于根据量表得分对受访者的潜在电子卫生素养水平进行排序，从而证明使用平均得分进行进一步分析是合理的。简单地通过Cronbach alpha检验可靠性本身并不足以允许使用平均值或总和分数[gydF4y2Ba 48gydF4y2Ba]，并且在考虑将其用作可靠性指标之前，必须确认其单维性和单调性[gydF4y2Ba 49gydF4y2Ba]。其次，拟合MHM模型意味着，如果使用不同的项目子集(从而实现无项目测量)，测试能够以类似的方式对潜在测量连续体上的受访者进行排序。这表明，这些项目是一个很好的起点，可以开发一个更大的项目库，从中可以开发替代问卷版本，例如，在纵向研究中进行重复评估。第三，IIO意味着这些项目的目标是电子卫生素养技能，这些技能对所有受访者构成相同的层次(即，排序也适用于个人层面)。这允许使用i - eheal来比较具有不同电子卫生素养水平的公民子群体，这是卫生素养研究的一个共同目标[gydF4y2Ba 50gydF4y2Ba]。gydF4y2Ba

更严格的Rasch分析还使我们得出结论，I-eHEALS能够很好地区分不同能力水平的受访者，并且男性和女性受访者在项目难度上只有很少的差异，而在年轻和年长的参与者或受过大学教育的参与者和没有受过大学教育的参与者之间没有发现这种差异。Rasch的分析还表明，该量表不太能够衡量电子卫生知识水平极高的受访者。有趣的是，我们项目的难度顺序与其他在eHEALS上使用IRT的研究中发现的不同[gydF4y2Ba 23gydF4y2Ba，gydF4y2Ba 46gydF4y2Ba]，从而表明某些个人特征可能在人们认为要求或多或少的电子卫生素养任务中发挥作用。我们样本中的参与者认为项目2是最简单的，项目8是最难的。在Nguyen等人的研究中健康科学学院的学生[gydF4y2Ba 23gydF4y2Ba认为第4项是最容易的，第5项是最难的。在同一项研究中，从Amazon MTurk招募的参与者将项目7评为最简单的项目，将项目6评为最难的项目。正如Nguyen等人所承认的，这些差异可以归因于每个样本组的人口构成:健康科学专业的学生可能更熟悉互联网上健康资源的位置，而精通技术和受过高等教育的MTurkers可能对自己区分高质量健康信息与低质量健康信息的能力有更高的认识。我们使用了一般人群样本(参与者既不是健康专家也不是技术专家)，因此我们的参与者认为不同的任务要求或多或少是合理的。我们强烈鼓励未来的研究对这些方面进行更深入的调查。gydF4y2Ba

与其他翻译版本的eHEALS一致，I-eHEALS得分与被调查者的特征没有显著的相关性。虽然对这种关系(或缺乏这种关系)的严格测试需要在年龄和教育方面采用更多样化的样本，但与健康素养的传统决定因素缺乏关联可能被视为eHEALS(及其翻译)无法捕捉实际技能的进一步迹象。van der Vaart及其同事在两个荷兰人群中进行的一项研究支持了这一假设。gydF4y2Ba 11gydF4y2Ba]。作者发现eHEALS的分数与实际的互联网性能测试之间没有联系，质疑该工具充分捕捉所调查现象的能力。在这种观点下，正如过去所争论的那样，eheal可以更现实地描述为电子健康信息背景下自我效能的衡量标准[gydF4y2Ba 11gydF4y2Ba，gydF4y2Ba 51gydF4y2Ba]。正如弗里施及其同事所建议的[gydF4y2Ba 52gydF4y2Ba]，这是自我报告卫生素养措施的一个共同缺点。然而，在我们看来，这并不会破坏eheal的价值。根据eHEALS的一位作者的说法，这种不显著的相关性可能与这样一个事实有关，即目前形式的量表没有捕捉到与使用社交媒体相关的技能，而这些技能在过去几年变得越来越重要。从这个角度来看，eHEALS仍然可以被认为是评估Web 1.0技术能力的有效工具[gydF4y2Ba 53gydF4y2Ba]。较高的I-eHEALS得分确实与更频繁的基于网络的健康信息搜索、对互联网作为健康信息来源的更高信任度、对采用信息通信技术用于健康目的的更积极态度、更高的电子健康倾向以及通过上网寻求健康信息的更积极的感知结果显着相关。这些关联表明，该量表可以安全地用于评估消费者在使用信息技术促进健康方面的感知舒适度和技能。这将有助于确定哪些人可能更热衷于参与电子卫生干预或在临床环境中使用电子卫生资源，以及哪些人需要更多支持。gydF4y2Ba

必须承认本研究的三个局限性。首先，我们的样本更年轻，受教育程度更高，与瑞士意大利语区的一般人口相比，女性的比例更高。gydF4y2Ba 54gydF4y2Ba]。然而，如果我们考虑到这些特征通常与在网上寻找健康信息有关(例如，[gydF4y2Ba 4gydF4y2Ba])，我们相信我们的样本适合为我们提供我们感兴趣的人口的充分快照。然而，作为一个方便的样本，它不能被认为是真正的代表人口，从而限制了我们的结果的普遍性。其次，与翻译版eHEALS的其他验证相比，我们的样本相对较小。然而，与其他统计技术相比，NIRT可以更好地处理小样本量[gydF4y2Ba 21gydF4y2Ba]。因此，我们相信样本量对我们的结果影响有限，特别是考虑到调查的项目数量很少。最后，我们没有纳入对执行电子健康素养任务的实际能力的衡量。然而，由于我们的目标是为调查意大利语人群的电子健康素养提供一套良好的项目，这超出了本研究的范围。然而，我们和其他学者一起承认，需要更多的研究，专门针对进一步调查实际能力和感知能力之间的联系，以执行电子健康素养任务-正如van der Vaart及其同事所做的那样[gydF4y2Ba 11gydF4y2Ba在荷兰。只有在这样做之后，才有可能完全捕捉到所调查现象的复杂性。gydF4y2Ba

该研究证实，I-eHEALS是一个可靠和有效的工具，用于评估意大利语消费者在使用信息技术促进健康方面的感知舒适度和技能。先前在学生中进行的I-eHEALS的验证已经证明该量表在该特定人群中的适用性[gydF4y2Ba 16gydF4y2Ba]。在我们的研究中使用的样本允许我们将这一结论扩展到一般人群。因此，公共卫生官员和卫生保健提供者可以安全地使用I-eHEALS来确定那些最愿意参与电子卫生干预或在临床和非临床环境中使用基于网络的资源的人，以及那些需要更多支持的人。此外，与之前的意大利验证相比，我们的IRT分析也能够突出量表的几个优势，例如，它的单维性证明了计算所有项目的总平均分数是合理的。此外，它还指出了电子卫生素养评估的未来方向，例如项目开发中措辞的重要性，以及扩大项目库和开发替代版本的可能性。gydF4y2Ba