Harnessing Social Networks along with Consumer-Driven Electronic Communication Technologies to Identify and Engage Members of 'Hard-to-Reach' Populations: A Methodological Case Report
Notice bibliographique
Résumé
BACKGROUND: Sampling in the absence of accurate or comprehensive information routinely poses logistical, ethical, and resource allocation challenges in social science, clinical, epidemiological, health service and population health research. These challenges are compounded if few members of a target population know each other or regularly interact. This paper reports on the sampling methods adopted in ethnographic case study research with a 'hard-to-reach' population. METHODS: To identify and engage a small yet diverse sample of people who met an unusual set of criteria (i.e., pet owners who had been treating cats or dogs for diabetes), four sampling strategies were used. First, copies of a recruitment letter were posted in pet-friendly places. Second, information about the study was diffused throughout the study period via word of mouth. Third, the lead investigator personally sent the recruitment letter via email to a pet owner, who then circulated the information to others, and so on. Fourth, veterinarians were enlisted to refer people who had diabetic pets. The second, third and fourth strategies rely on social networks and represent forms of chain referral sampling. RESULTS: Chain referral sampling via email proved to be the most efficient and effective, yielding a small yet diverse group of respondents within one month, and at negligible cost. CONCLUSIONS: The widespread popularity of electronic communication technologies offers new methodological opportunities for researchers seeking to recruit from hard-to-reach populations.
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 | 0,378 | 0,651 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,002 | 0,006 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,004 |
| 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 ».