Facebook ads to the rescue? Recruiting a hard to reach population into an Internet-based behavioral health intervention trial
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
OBJECTIVE: Facebook (FB) ads are touted as a way to facilitate recruitment of hard to reach participants into digital health research but the evidence has been mixed. This study aimed to empirically evaluate the impact and cost-effectiveness of paid ads for recruitment into a national trial testing an Internet-based, coached intervention for parents of children with Fetal Alcohol Spectrum Disorders. METHODS: Post hoc analysis of FB ad data and Google analytics on the online trial consent site (myStudies) were conducted on 11 campaigns employing static image/text ads. Standard metrics (e.g., click through rate, cost per 1000 impressions, cost per consent) were calculated and descriptive statistics comparing FB ad engagement and enrolled participants over time were conducted. RESULTS: Ad campaigns were active for a combined 115 days over 58 weeks resulting in 1533 links to the online recruitment site. During the ad campaigns, the mean rate of enrolment was 1 participant every 2 days. The first 3 ad campaigns were the most cost-effective. Mean cost per enrolment was $19.27 (Canadian dollars). CONCLUSIONS: FB ads were efficient and cost-effective in broad dissemination of trial information, but more research is needed to explore the impact of saturation (how often ads are posted), design (what is in the ad), and individual determinants (who is likely to respond to an ad) on converting FB ad engagement into enrolment. Avoiding a reductionist approach to analytics will help ensure appropriate and targeted strategies remain the priority for digital health research recruitment through social media.
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 | 0,004 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,001 |
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.
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