Enhancing surveillance strategies for childhood self-reporting data
Notice bibliographique
Résumé
Problem Investigators routinely incorporate youth self-report data into cohort studies with variable results. Our study successfully employed strategies to ensure data quality and reduce participant fatigue. Methods A longitudinal study of rural youth aged 9–18 years was conducted to develop multivariable risk prediction models of agricultural related injuries at the same time collecting unintentional injury data for children exposed to agricultural hazards. Over 400 youth were involved in a 13-week cohort study. During this time period, each person interacted with researchers in a multitude of ways to remain engaged in the study, avoid reporting fatigue, and deliver quality self-reported data. Results To obtain study results, youth (and their consenting parents) received letters of invitation. Once enrolled, the study team met face-to-face with each subject to describe the reporting process. Complimentary to completing a daily record book, youth had weekly interaction with an electronic toll free phone system. If the youth did not phone in, the system called them until contact was made. Additional incentives included a personal wristwatch, monetary incentives for each week data was submitted, and lottery opportunity to win sport tickets. Conclusion Semilogarithmic plots of rates of all unintentional injuries (US data from 2000) as well as agriculture-related injuries (US and Canadian data from 19 previous studies) graphed as a function of injury severity exhibited linearity. Our cohort reported injury rates 1.4 to 4.3 times higher than national rates, suggesting that our methodology can significantly reduce injury under-reporting.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 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; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».