The Effect of Survey Nonresponse on Quitline Abstinence Rates: Implications for Practice
Notice bibliographique
Résumé
INTRODUCTION: Quitline outcome studies are used to maintain and improve the effectiveness of these evidence-based cessation services. Nonresponse has the potential to bias survey results and many US and Canadian quitlines are reporting survey response rates below 50%. This study examines the effect of nonresponse bias on quit rates in three state quitline populations. Results provide implications of nonresponse bias for quitline practice. METHODS: Quit status, defined as abstinent for 30 days or more 7 months after registering for services, was collected from Minnesota, Hawaii, and Florida quitline participants that responded to a survey. We assigned each responder to a wave based on the number of contacts required to obtain a survey response. RESULTS: The latest two responder groups had the lowest quit rates within each state, although results were not statistically significant. Quit rates in the latest responder wave (Wave 6) were between 4% and 13% points lower than the earliest responders (Wave 1). The cumulative quit rates show what the quit rate would have been had the study ended after the corresponding wave. In all four studies, the cumulative quit rate was lowest in Wave 6. CONCLUSION: To increase accuracy of quit rates, quitlines should focus on increasing survey response rates. Suggestions for improving survey response rates are provided.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,445 | 0,743 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,002 | 0,003 |
| Bibliométrie | 0,003 | 0,005 |
| Études des sciences et des technologies | 0,002 | 0,007 |
| Communication savante | 0,004 | 0,005 |
| Science ouverte | 0,004 | 0,004 |
| Intégrité de la recherche | 0,004 | 0,004 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,007 | 0,001 |
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; l’étiquette directe de Gemma et le classifieur distillé Codex 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 ».