Social media recruitment and online data collection: A beginner’s guide and best practices for accessing low-prevalence and hard-to-reach populations.
Notice bibliographique
Résumé
One facet of the growing social media phenomenon is the opportunity to directly appeal to prospective research participants. An example of this is Facebook advertising to defined populations. In conjunction with online data collection, social media advertising can simplify and accelerate data collection, and it can do so at greatly reduced costs. Thanks to these contemporary tools, responses can be collected at the same time from participants living in Vancouver, Toronto, and St. John's. In this article, we describe how social media can be used for rapid and cost-effective data collection. Moreover, these methods allow researchers to directly access prospective study participants who may be otherwise difficult to reach (because of their low prevalence, their remote location, or organisational barriers). For illustrative purposes, we review methods from 2 studies: 1 of older adults with bipolar disorder and 1 of Canadian paramedics and their spouses. In both cases, participants clicked sociodemographically targeted Facebook advertisements and were directed to online study questionnaires. Based primarily on these 2 lines of research, we offer recommendations and best practices for researchers interested in utilizing social media for online recruitment and data collection. We contend that in many instances, social media may be the most effective means to recruit participants from low-prevalence and invisible populations. The majority of Canadians, and indeed much more of the world population than was previously accessible, can be reached via social media today. In addition to offering strategies to improve participant communication, we also review the limitations of social media advertising and online research.Keywords: participant recruitment, data collection, technology, social media, FacebookResumeLa possibilite de solliciter directement des sujets potentiels pour la recherche est F un des avantages du phenomene croissant des medias sociaux. Sur Facebook, la publicite ciblant certains segments de la population en constitue un exemple. Parallelement a la collecte de donnees en ligne, la publicite diffusee sur les medias sociaux peut simplifier et accelerer le processus de collecte de donnees, cela a un cout beaucoup moindre. Grâce a ces outils modernes, il est possible de recevoir simultanement les reponses de repondants habitant a Vancouver, a Toronto et a St. John's. Dans cet article, nous expliquons la facon d'utiliser les medias sociaux pour effectuer une collecte de donnees rapide, efficace et peu onereuse. De plus, ces methodes permettent aux chercheurs de communiquer directement avec des participants aux etudes prospectives qui seraient difficiles a joindre autrement - en raison d'une faible prevalence, de leur lieu d'habitation dans une region eloignee ou d'obstacles organisationnels. A titre d'information, nous examinons les methodes employees dans deux etudes : une consacree aux adultes âges presentant un trouble bipolaire, et l'autre consacree au personnel paramedical canadien et a leurs epouses ou epoux. Dans les deux cas, les repondants ont clique sur les annonces de Facebook ciblees sur le plan sociodemographique et ont ete diriges vers des questionnaires d'etude. En nous basant principalement sur ces deux domaines de recherche, nous presentons des recommandations et des pratiques exemplaires aux chercheurs souhaitant utiliser les medias sociaux pour effectuer un recrutement et une collecte de donnees en ligne. Nous estimons que, dans de nombreux cas, les medias sociaux constituent le moyen le plus efficace de recruter des sujets au sein de segments de population a faible prevalence et meconnus. Aujourd'hui, la plupart des Canadiens - et, bien entendu, une plus grande partie de la population mondiale qu'auparavant - peuvent etre joints par l'intermediaire des medias sociaux. En plus de proposer des strategies pour ameliorer la communication avec les repondants, nous etudions les limites de la publicite sur les medias sociaux et celles de la recherche en ligne. …
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 | 0,118 | 0,166 |
| Méta-épidémiologie (sens strict) | 0,003 | 0,003 |
| Méta-épidémiologie (sens large) | 0,003 | 0,003 |
| Bibliométrie | 0,015 | 0,014 |
| Études des sciences et des technologies | 0,007 | 0,006 |
| Communication savante | 0,008 | 0,013 |
| Science ouverte | 0,007 | 0,008 |
| Intégrité de la recherche | 0,008 | 0,012 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,018 | 0,025 |
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 source (Gemma direct ou Codex distillé), 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 ».