Compensating for Low Topic Interest and Long Surveys
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Certain survey characteristics proven to affect response rates, such as a survey's length and topic, are often under limited control of the researcher. Therefore, survey researchers sometimes seek to compensate for such undesired effects on response rates by employing countermeasures such as material or nonmaterial incentives. The scarce evidence on those factors' effects in web survey contexts is far from being conclusive. This study is aimed at filling this gap by examining the effects of four factors along with selected interactions presumed to affect response rates in web surveys. Requests to complete a web-based, self-administered survey were sent to 2,152 owners of personal websites. The 2 × 2 × 2 × 2 fully crossed factorial design encompassed the experimental conditions of (a) high versus low topic salience, (b) short versus long survey, (c) lottery incentive versus no incentive, and (d) no feedback and general feedback (study results) versus personal feedback (individual profile of results). As expected, highly salient and shorter surveys yielded considerably higher unit-response rates. Moreover, partial support was found for interaction hypotheses derived from the leverage-salience theory of survey participation. Offering personalized feedback compensated for the negative effects of low topic salience on response rates. Also, the lottery incentive tended to evoke more responses only if the survey was short (versus long), but this interaction effect was only marginally significant. The results stress the usefulness of a multifactorial approach encompassing interaction effects to understand participation differences in web surveys.
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.
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 | 0,121 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,002 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| 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 découle