Effectiveness of monetary incentives to recruit family physicians as study subjects: a randomized controlled trial
Notice bibliographique
Résumé
BACKGROUND: Recruiting family physicians to participate as subjects of clinical studies is challenging. Monetary incentives are often used to increase enrolment, but few studies have measured the impact of doing so. As part of a trial seeking to compare two formats of interactive activities within an online continuing medical education (CME) program, we compared family physicians' recruitment rates with and without a monetary incentive. Recruitment took place by email. METHODS: Family physicians listed in the directory of the College of Physicians of the Province of Quebec (Canada) were emailed a one-page letter inviting them to participate in a randomized trial designed to evaluate a three-hour online CME program on rheumatology. Half of physicians were randomly allocated to receive a version of the letter that offered them $300 to participate (incentive group); the other half was not offered compensation (no-incentive group). RESULTS: A total of 1314 (91%) physicians had a valid email address as listed in the directory. The response rate was 7.5% (54/724) in the incentive group and 2.6% (19/724) in the no-incentive group (absolute difference [AD] 4.8%, 95% confidence interval [95% CI] = 2.6 - 7.2%; risk ratio [RR] 2.8, 95% CI = 1.7 - 4.7). Recruitment rates were 3.5% (25/724) in the incentive group and 0.6% (4/724) in the no-incentive group (AD 2.9%, 95% CI = 1.5 - 4.5%; RR 6.3, 95% CI = 2.2 - 17.9). CONCLUSIONS: Monetary incentives significantly increased recruitment, which nonetheless remained low. To reach recruitment targets, researchers are advised to plan for an extensive list of email contacts and to minimize restrictive eligibility criteria.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,052 | 0,044 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; les deux têtes enseignantes s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».