Challenges in recruiting hard-to-reach populations focusing on Latin American recent immigrants
Notice bibliographique
Résumé
Purpose – Recruiting immigrant populations, particularly recent arrivals, is challenging due to lack of sampling frames and other factors. The purpose of this paper is to report the feasibility of using a quasi-random sampling strategy for recruiting recent Latin American (LA) immigrants. Design/methodology/approach – The initial recruitment strategy included random selection of two census tracts (CTs) with high concentrations and numbers of recent LAs in Toronto, and door-to-door recruitment. Based on challenges encountered this strategy was modified by consulting trusted community members and recruiting participants residing in selected CTs using cultural venues. Findings – Door-to-door recruitment of the target group is difficult. Challenges included accessing individuals living in apartment buildings, lack of trust and fear of deportation, transitory residency, and difficulty recruiting very recent arrivals. The modified strategy was more efficient and yielded higher recruitment rates, and was more acceptable to participants. Research limitations/implications – The limited timeframe of the study and lack of timely census data may have prevented full exploration of study methodologies. Originality/value – The study demonstrated that recruitment rates of recent immigrants and refugees can be improved by randomly selecting CTs with high concentrations and numbers of recent immigrants and using culturally appropriate recruitment strategies. These groups may not be homogeneously distributed in selected geographic areas (e.g. CTs); it may be necessary to focus on pockets of high concentration as identified by community members who are familiar with the area.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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; un appel candidat d’une seule tête enseignante, 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 ».