MétaCan
Menu
Retour à la cohorte
Enregistrement W2901611372 · doi:10.1186/s12911-018-0683-x

Sharing longitudinal, non-biological birth cohort data: a cross-sectional analysis of parent consent preferences

2018· article· en· W2901611372 sur OpenAlexafffund
Kiran Pohar Manhas, Shawn Dodd, Stacey Page, Nicole Létourneau, Carol E. Adair, Xinjie Cui, Suzanne Tough

Notice bibliographique

RevueBMC Medical Informatics and Decision Making · 2018
Typearticle
Langueen
DomaineMedicine
ThématiqueEthics in Clinical Research
Établissements canadiensConference Board of CanadaUniversity of CalgaryUniversity of AlbertaAlberta Health Services
Organismes subventionnairesAlberta Children's Hospital Research InstituteUniversity of AlbertaAlberta Centre for Child, Family and Community ResearchChildren's Health Research Institute
Mots-clésHealth informaticsCross-sectional studyCohortLongitudinal dataMedicineFamily medicineComputer sciencePublic healthNursingData miningInternal medicine

Résumé

récupéré en direct d'OpenAlex

BACKGROUND: Mandates abound to share publicly-funded research data for reuse, while data platforms continue to emerge to facilitate such reuse. Birth cohorts (BC) involve longitudinal designs, significant sample sizes and rich and deep datasets. Data sharing benefits include more analyses, greater research complexity, increased opportunities for collaboration, amplification of public contributions, and reduced respondent burdens. Sharing BC data involves significant challenges including consent, privacy, access policies, communication, and vulnerability of the child. Research on these issues is available for biological data, but these findings may not extend to BC data. We lack consensus on how best to approach these challenges in consent, privacy, communication and autonomy when sharing BC data. We require more stakeholder engagement to understand perspectives and generate consensus. METHODS: Parents participating in longitudinal birth cohorts completed a web-based survey investigating consent preferences for sharing their, and their child's, non-biological research data. Results from a previous qualitative inquiry informed survey development, and cognitive interviewing methods (n = 9) were used to improve the question quality and comprehension. Recruitment was via personalized email, with email and phone reminders during the 14-day window for survey completion. RESULTS: Three hundred and forty-six of 569 parents completed the survey in September 2014 (60.8%). Participants preferred consent processes for data sharing in future independent research that were less-active (i.e. no consent or opt-out). Parents' consent preferences are associated with their communication preferences. Twenty percent (20.2%) of parents generally agreed that their child should provide consent to continue participating in research at age 12, while 25.6% felt decision-making on sharing non-biological research data should begin at age 18. CONCLUSIONS: These finding reflect the parenting population's preference for less project-specific permission when research data is non-biological and de-identified and when governance practices are highly detailed and rigourous. Parents recognize that children should become involved in consent for secondary data use, but there is variability regarding when and how involvement occurs. These findings emphasize governance processes and participant notification rather than project-specific consent for secondary use of de-identified, non-biological data. Ultimately, parents prefer general consent processes for sharing de-identified, non-biological research data with ultimate involvement of the child.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,009
score de la tête « metaresearch » (Gemma)0,028
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesMétarecherche, Charge utile insuffisante (le modèle a refusé de juger)
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: Observationnel
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,341
Score d'incertitude au seuil1,000

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0090,028
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0010,000
Bibliométrie0,0000,001
Études des sciences et des technologies0,0000,001
Communication savante0,0000,000
Science ouverte0,0010,002
Intégrité de la recherche0,0000,001
Charge utile insuffisante (le modèle a refusé de juger)0,0010,000

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.

Tête enseignante Opus0,702
Tête enseignante GPT0,613
Écart entre enseignants0,089 · 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 tête enseignante, pas un consensus.

Devis d'étudeObservationnel
Domainenon disponible
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

Citations11
Publié2018
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revueBMC Medical Informatics and Decision MakingMême sujetEthics in Clinical ResearchTravaux en français237 207