MétaCan
Menu
Retour à la cohorte
Enregistrement W2522759504 · doi:10.2196/publichealth.6392

How Best to Obtain Valid, Verifiable Data Online From Male Couples? Lessons Learned From an eHealth HIV Prevention Intervention for HIV-Negative Male Couples

2016· article· en· W2522759504 sur OpenAlexvenueno aff
Jason W. Mitchell, Ji-Young Lee, Rob Stephenson

Notice bibliographique

RevueJMIR Public Health and Surveillance · 2016
Typearticle
Langueen
DomaineMedicine
ThématiqueHIV/AIDS Research and Interventions
Établissements canadiensnon disponible
Organismes subventionnairesNational Institute of Mental Health
Mots-clésHuman immunodeficiency virus (HIV)eHealthIntervention (counseling)Verifiable secret sharingPsychologyMen who have sex with menInternet privacyComputer scienceMedicineFamily medicineHealth carePsychiatrySet (abstract data type)

Résumé

récupéré en direct d'OpenAlex

BACKGROUND: As interest increases in the development of eHealth human immunodeficiency virus (HIV)-preventive interventions for gay male couples, Web-based methods must also be developed to help increase the likelihood that couples enrolled and data collected from them represent true unique dyads. Methods to recruit and collect reliable and valid data from both members of a couple are lacking, yet are crucial for uptake of novel sexual health and HIV-prevention eHealth interventions. Methods to describe best practices to recruit male couples using targeted advertisements on Facebook are also lacking in the literature, yet could also help in this uptake. OBJECTIVE: The objective of our study was to describe challenges and lessons learned from experiences from two phases (developmental phase and online randomized controlled trial [RCT]) of an eHealth HIV-prevention intervention for concordant HIV-negative male couples in terms of (1) recruiting male couples using targeted advertisements on Facebook, (2) validating that data came from two partners of the couple, and (3) verifying that the two partners of the couple are in a relationship with each other. METHODS: The developmental phase refined the intervention via in-person focus groups, whereas the pilot-testing phase included an online RCT. For both phases, couples were recruited via targeted Facebook advertisements. Advertisements directed men to a study webpage and screener; once eligible, participants provided consent electronically. A partner referral system was embedded in the consenting process to recruit the relationship partner of the participant. Both men of the couple had to meet all eligibility criteria-individually and as a couple-before they could enroll in the study. Verification of couples' relationships was assessed via the concurrence of predetermined screener items from both partners, done manually in the developmental phase and electronically in the pilot-testing phase. A system of decision rules was developed to assess the validity that data came from two unique partners of a couple. RESULTS: Several important lessons were learned from these experiences, resulting in recommendations for future eHealth studies involving male couples. Use of certain "interests" and types of images (eg, shirtless) in targeted Facebook advertisements should be avoided or used sparingly because these interests and types of images may generate adverse reactions from a broader audience. Development of a systematic approach with predetermined criteria and parameters to verify male couples' relationships is strongly recommended. Further, researchers are encouraged to develop a system of decision rules to detect and handle suspicious data (eg, suspicious email addresses/names, multiple entries, same IP address used in multiple entries) to help validate the legitimacy of male couples' relationships online. CONCLUSIONS: These lessons learned combined with recommendations for future studies aim to help enhance recruitment efforts and the validity and reliability of collecting dyadic data from male couples for novel eHealth HIV-preventive interventions.

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)0,110
score de la tête « metaresearch » (Gemma)0,150
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesMétarecherche
Catégories consensuellesaucune
DomaineSignal candidat: Méthodes · Signal consensuel: aucune
Devis d'étudeSignal candidat: Qualitatif · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: aucune
Score de désaccord entre enseignants0,890
Score d'incertitude au seuil0,580

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,1100,150
Méta-épidémiologie (sens strict)0,0010,001
Méta-épidémiologie (sens large)0,0010,001
Bibliométrie0,0010,001
Études des sciences et des technologies0,0050,008
Communication savante0,0070,014
Science ouverte0,0050,007
Intégrité de la recherche0,0040,007
Charge utile insuffisante (le modèle a refusé de juger)0,0030,001

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 Opus0,171
Tête enseignante GPT0,440
Écart entre enseignants0,268 · 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'étudeQualitatif
DomaineMéthodes
GenreEmpirique

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

En bref

Citations20
Publié2016
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueJMIR Public Health and SurveillanceMême sujetHIV/AIDS Research and InterventionsTravaux en français237 207