MétaCan
Menu
Retour à la cohorte
Enregistrement W2479326432 · doi:10.2196/resprot.5747

The Effectiveness Of Social Media (Facebook) Compared With More Traditional Advertising Methods for Recruiting Eligible Participants To Health Research Studies: A Randomized, Controlled Clinical Trial

2016· article· en· W2479326432 sur OpenAlexvenueno aff
Mai Frandsen, Megan E. Thow, Stuart G. Ferguson

Notice bibliographique

RevueJMIR Research Protocols · 2016
Typearticle
Langueen
DomaineSocial Sciences
ThématiqueSocial Media in Health Education
Établissements canadiensnon disponible
Organismes subventionnairesCancer Council TasmaniaPfizer
Mots-clésPopularitySocial mediaAdvertisingUsabilityPsychologyOnline advertisingInternet privacyMedical educationMedicineThe InternetComputer scienceSocial psychologyWorld Wide WebBusiness

Résumé

récupéré en direct d'OpenAlex

BACKGROUND: Recruiting participants for research studies can be difficult and costly. The popularity of social media platforms (eg, Facebook) has seen corresponding growth in the number of researchers turning to social networking sites and their embedded advertising frameworks to locate eligible participants for studies. Compared with traditional recruitment strategies such as print media, social media advertising has been shown to be favorable in terms of its reach (especially with hard-to-reach populations), cost effectiveness, and usability. However, to date, no studies have examined how participants recruited via social media progress through a study compared with those recruited using more traditional recruitment strategies. OBJECTIVES: (1) Examine whether visiting the study website prior to being contacted by researchers creates self-screened participants who are more likely to progress through all study phases (eligible, enrolled, completed); (2) compare conversion percentages and cost effectiveness of each recruitment method at each study phase; and, (3) compare demographic and smoking characteristics of participants recruited through each strategy to determine if they attract similar samples. METHODS: Participants recruited to a smoking cessation clinical trial were grouped by how they had become aware of the study: via social media (Facebook) or traditional media (eg, newspaper, flyers, radio, word of mouth). Groups were compared based on throughput data (conversion percentages and cost) as well as demographic and smoking characteristics. RESULTS: Visiting the study website did not result in individuals who were more likely to be eligible for (P=.24), enroll in (P=.20), or complete (P=.25) the study. While using social media was more cost effective than traditional methods when we examined earlier endpoints of the recruitment process (cost to obtain a screened respondent: AUD $22.73 vs $29.35; cost to obtain an eligible respondent: $37.56 vs $44.77), it was less cost effective in later endpoints (cost per enrolled participant: $56.34 vs $52.33; cost per completed participant: $103.66 vs $80.43). Participants recruited via social media were more likely to be younger (P=.001) and less confident in their quit attempts (P=.004) compared to those recruited via traditional methods. CONCLUSIONS: Our study suggests that while social media advertising may be effective in generating interest from potential participants, this strategy's ability to attract conscientious recruits is more questionable. Researchers considering using online resources (eg, social media advertising, matrix codes) should consider including prescreening questions to promote conversion percentages. Ultimately, researchers seeking to maximize their recruitment budget should consider using a combination of advertising strategies. TRIAL REGISTRATION: Australian New Zealand Clinical Trials Registry ACTRN 12614000329662; https://www.anzctr.org.au/Trial/Registration/TrialReview.aspx?id=365947l (Archived by WebCite at http://www.webcitation.org/6jc6zXWZI).

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,023
score de la tête « metaresearch » (Gemma)0,033
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesMétarecherche
Catégories consensuellesaucune
DomaineSignal candidat: Méthodes · Signal consensuel: aucune
Devis d'étudeSignal candidat: Essai randomisé · Signal consensuel: Essai randomisé
GenreSignal candidat: Protocole · Signal consensuel: aucune
Score de désaccord entre enseignants0,977
Score d'incertitude au seuil0,121

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0230,033
Méta-épidémiologie (sens strict)0,0020,001
Méta-épidémiologie (sens large)0,0050,004
Bibliométrie0,0020,001
Études des sciences et des technologies0,0020,003
Communication savante0,0030,004
Science ouverte0,0020,001
Intégrité de la recherche0,0060,004
Charge utile insuffisante (le modèle a refusé de juger)0,0120,001

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.

Tête enseignante Opus0,892
Tête enseignante GPT0,771
Écart entre enseignants0,121 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Devis d'étudeEssai randomisé
DomaineMéthodes
GenreProtocole

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations155
Publié2016
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueJMIR Research ProtocolsMême sujetSocial Media in Health EducationTravaux en français237 207