Consent Processes for Mobile App Mediated Research: Systematic Review
Notice bibliographique
Résumé
BACKGROUND: Since the launch of ResearchKit on the iOS platform in March 2015 and ResearchStack on the Android platform in June 2016, many academic and commercial institutions around the world have adapted these frameworks to develop mobile app-based research studies. These studies cover a wide variety of subject areas including melanoma, cardiomyopathy, and autism. Additionally, these app-based studies target a variety of participant populations, including children and pregnant women. OBJECTIVE: The aim of this review was to document the variety of self-administered remote informed consent processes used in app-based research studies available between May and September 2016. Remote consent is defined as any consenting process with zero in-person steps, when a participant is able to join a study without ever seeing a member of the research team. This type of review has not been previously conducted. The research community would benefit from a rigorous interrogation of the types of consent taken as part of the seismic shift to entirely mobile meditated research studies. METHODS: This review examines both the process of information giving and specific content shared, with special attention to data privacy, aggregation, and sharing. RESULTS: Consistency across some elements of the app-based consent processes was found; for example, informing participants about how data will be curated from the phone. Variations in other elements were identified; for example, where specific information is shared and the level of detail disclosed. Additionally, several novel elements present in eConsent not typically seen in traditional consent for research were highlighted. CONCLUSIONS: This review advocates the importance of participant informedness in a novel and largely unregulated research setting.
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 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 | 0,020 | 0,153 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,002 |
| 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, 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 ».