Insights From Flutracking: Thirteen Tips to Growing a Web-Based Participatory Surveillance System
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
Flutracking is a weekly Web-based survey of influenza-like illness (ILI) in Australia that has grown from 400 participants in 2006 to over 26,000 participants every week in 2016. Flutracking monitors both the transmission and severity of ILI across Australia by documenting symptoms (cough, fever, and sore throat), time off work or normal duties, influenza vaccination status, laboratory testing for influenza, and health seeking behavior. Recruitment of Flutrackers commenced via health department and other organizational email systems, and then gradually incorporated social media promotion and invitations from existing Flutrackers to friends to enhance participation. Invitations from existing participants typically contribute to over 1000 new participants each year. The Flutracking survey link was emailed every Monday morning in winter and took less than 10 seconds to complete. To reduce the burden on respondents, we collected only a minimal amount of demographic and weekly data. Additionally, to optimize users' experiences, we maintained a strong focus on "obvious design" and repeated usability testing of naïve and current participants of the survey. In this paper, we share these and other insights on recruitment methods and user experience principles that have enabled Flutracking to become one of the largest online participatory surveillance systems in the world. There is still much that could be enhanced in Flutracking; however, we believe these principles could benefit others developing similar online surveillance systems.
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 | 0,002 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 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