Lessons learned from respondent-driven sampling recruitment in Nairobi: experiences from the field
Notice bibliographique
Résumé
BACKGROUND: Respondent-driven sampling (RDS) is used in a variety of settings to study hard-to-reach populations at risk for HIV and sexually transmitted infections. However, practices leading to successful recruitment among diverse populations in low-resource settings are seldom reported. We implemented the first, integrated, bio-behavioural surveillance survey among men who have sex with men, female sex workers and people who injected drugs in Nairobi, Kenya. METHODS: The survey period was June 2010 to March 2011, with a target sample size of 600 participants per key populations. Formative research was initially conducted to assess feasibility of the survey. Weekly monitoring reports of respondent characteristics and recruitment chain graphs from NetDraw illustrated patterns and helped to fill recruitment gaps. RESULTS: RDS worked well with men who have sex with men and female sex workers with recruitment initiating at a desirable pace that was maintained throughout the survey. Networks of people who injected drugs were well-integrated, but recruitment was slower than the men who have sex with men and female sex workers surveys. CONCLUSION: By closely monitoring RDS implementation and conducting formative research, RDS studies can effectively develop and adapt strategies to improve recruitment and improve adherence to the underlying RDS theory and assumptions.
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 | 0,371 | 0,284 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,002 | 0,002 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,010 | 0,012 |
| Communication savante | 0,011 | 0,010 |
| Science ouverte | 0,009 | 0,011 |
| Intégrité de la recherche | 0,006 | 0,010 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,006 | 0,002 |
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 ».