Assessing Respondent Driven Sampling for Network Studies in Ethnographic Contexts
Notice bibliographique
Résumé
Respondent Driven Sampling (RDS) is generally considered a methodology for recruiting “hard-to-reach” populations for social science research. More recently, Wejnert has argued that RDS analysis can be used for general social network analysis as well (where he labels it, RDS-SN). In this article, we assess the value of Wejnert’s RDS-SN for use in more traditional ethnographic contexts. We employed RDS as part of a larger social network research project to recruit n = 330 community residents (over 17 years of age) in Nain, a predominantly (92%) aboriginal community in northern Labrador, Canada, for social network interviews about food sharing, housing, public health, and community traditions. The peer referral chains resulted in a sample that was then analyzed for its representativeness by two means—a comparison with the Statistics Canada 2006 Census of the same community, and with house-by-house demographic surveys carried out in the community as part of our research. The results show a close fit with available community statistics and our own survey. As such, we argue that the RDS sampling used in Nain was able to provide a useful and near-representative sample of the community. To demonstrate the usefulness of the results, the referral chains are also analyzed here for patterns in intragroup and intergroup relationships that were apparent only in the aggregate.
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 | 0,426 | 0,600 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,002 |
| Méta-épidémiologie (sens large) | 0,002 | 0,002 |
| Bibliométrie | 0,008 | 0,009 |
| Études des sciences et des technologies | 0,004 | 0,006 |
| Communication savante | 0,004 | 0,004 |
| Science ouverte | 0,005 | 0,009 |
| Intégrité de la recherche | 0,004 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 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 ».