Ensuring Privacy of Participants In Social Media Based Research: an Australian perspective
Notice bibliographique
Résumé
Background: Content analysis offers an effective approach to inquiring into ethical challenges in social media based research. Content from social media sites used for the small number of research studies conducted to date, taken in conjunction with the various national human research ethics guidelines, offer a means of understanding how ethical challenges of privacy and anonymity can be (and are being) addressed for responsible social media-based research. Objective: The paper explores the ways in which privacy/anonymity of participants can be ensured in social media-based research in the Australian context. Using the notion of trust and privacy within a set of selected social media channels through which participants are recruited for specific research studies, we initially identify what is being done and analyse the effectiveness of these approaches. Subsequently, we seek to identify emerging avenues of exploration and offer strategies for enhanced efficacy. Methods: Content analysis was used to examine a purposive sample of ethics applications where social media had been utilised for participant recruitment. Parameters for ensuring privacy and anonymity of participants were analysed and compared against the track record of specific social media platforms on ensuring privacy and anonymity to validate the claim. In addition, we analysed parameters instituted specifically by Australian universities as well as the national Privacy Law protection measures. Results: The content analysis uncovered challenges that need to be addressed in the Australian context, if social media-based research is to be used effectively for recruitment of research participants. This paper focuses on the Australian experience, but provides insights to the application of a similar approach in, for example, the USA. Canada or the European Union. Conclusions: Content analysis and information visualisation exploiting visual analytics techniques with a purposive sample, within a specific country (Australia) has provided insights that can help in understanding what is being done and what needs to be done to address the ethical challenges in social media research - initially, from an Australian perspective.
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 | 0,144 | 0,155 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,003 | 0,004 |
| Études des sciences et des technologies | 0,023 | 0,053 |
| Communication savante | 0,021 | 0,023 |
| Science ouverte | 0,004 | 0,022 |
| Intégrité de la recherche | 0,011 | 0,017 |
| 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; 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 ».