Using Text Messaging, Social Media, and Interviews to Understand What Pregnant Youth Think About Weight Gain During Pregnancy
Notice bibliographique
Résumé
BACKGROUND: The majority of pregnant youth gain more weight than recommended by the National Academy of Medicine guidelines. Excess weight gain during pregnancy increases the risk of dangerous complications during delivery, including operative delivery and stillbirth, and contributes to the risk of long-term obesity in both mother and child. Little is known regarding youth's perceptions of and knowledge about weight gain during pregnancy. OBJECTIVE: The aim of this study was to describe the feasibility and acceptability of 3 novel data collection and analysis strategies for use with youth (social media posts, text message surveys, and semistructured interviews) to explore their experiences during pregnancy. The mixed-methods analysis included natural language processing and thematic analysis. METHODS: To demonstrate the feasibility and acceptability of this novel approach, we used descriptive statistics and thematic qualitative analysis to characterize participation and engagement in the study. RESULTS: Recruitment of 54 pregnant women aged between 16 and 24 years occurred from April 2016 to September 2016. All participants completed at least 1 phase of the study. Semistructured interviews had the highest rate of completion, yet all 3 strategies were feasible and acceptable to pregnant youth. CONCLUSIONS: This study has described a novel youth-centered strategy of triangulating 3 sources of mixed-methods data to gain a deeper understanding of a health behavior phenomenon among an at-risk population of youth.
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 enseignantsNi 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.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,018 | 0,025 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,003 | 0,003 |
| Communication savante | 0,003 | 0,003 |
| Science ouverte | 0,001 | 0,003 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 source (Gemma direct ou Codex distillé), 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 ».