A Qualitative Examination of Respondent-Driven Sampling (RDS) Peer Referral Challenges Among Young Transwomen in the San Francisco Bay Area
Notice bibliographique
Résumé
BACKGROUND: Efforts have focused on developing innovative recruitment strategies to engage the most marginalized of populations in public health research. Respondent-driven sampling (RDS) has been found to be an effective sampling strategy for hard-to-reach, hidden populations. Though studies have documented RDS peer referral as challenging, literature contextualizing these challenges is scant and rarely do they discuss the role of Internet technologies. OBJECTIVE: The objective of the study was to explore reasons for peer referral challenges in a human immunodeficiency virus (HIV) risk and resilience study among a hidden population of youth, specifically, young transwomen. These findings amplify the unique opportunities Internet technologies bring to public health research and methodology. METHODS: We conducted focused, semistructured, qualitative interviews with 16 young transwomen to investigate the reasons why youth did or did not refer peers to an RDS study for transwomen ages 16-24 in the San Francisco Bay Area. Qualitative interview data were coded and analyzed using grounded theory. RESULTS: Participants discussed specific barriers and facilitators related to four factors that include study design, study implementation, community characteristics, and individual characteristics, which contributed to RDS peer referral challenges. CONCLUSIONS: Our grounded theory analysis identifies important considerations for future RDS studies with hidden youth populations. Exploring research participants' experiences is integral in strengthening future epidemiologic research efforts that plan to use RDS to sample and estimate the hidden epidemics among at-risk youth and transgender women. Additionally, Internet technologies and Web-based adaptations offer solutions to traditional RDS peer referral challenges, having the potential to increase accessibility and use among hidden youth 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 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 | 0,042 | 0,043 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,010 | 0,011 |
| Communication savante | 0,003 | 0,003 |
| Science ouverte | 0,003 | 0,006 |
| Intégrité de la recherche | 0,002 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 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 ».