Social Media Recruitment of Marginalized, Hard-to-Reach Populations: Development of Recruitment and Monitoring Guidelines
Notice bibliographique
Résumé
BACKGROUND: Social media can be a useful strategy for recruiting hard-to-reach, stigmatized populations into research studies; however, it may also introduce risks for participant and research team exposure to negative comments. Currently, there is no published formal social media recruitment and monitoring guidelines that specifically address harm reduction for social media recruitment of marginalized populations. OBJECTIVE: The purpose of this research study was to investigate the utility, successes, challenges, and positive and negative consequences of using targeted Facebook advertisements as a strategy to recruit transgender and gender nonconforming (TGNC) people into a research study. METHODS: TGNC adults living in the Southeast Unites States were recruited via targeted Facebook advertisements over two cycles in April and June 2017. During cycle 1, researchers only used inclusion terms to recruit the target population. During cycle 2, the social media recruitment and monitoring protocol and inclusion and exclusion terms were used. RESULTS: The cycle 1 advertisement reached 8518 people and had 188 reactions, comments, and shares but produced cyberbullying, including discriminatory comments from Facebook members. Cycle 2 reached fewer people (6976) and received 166 reactions, comments, and shares but produced mostly positive comments. CONCLUSIONS: Researchers must consider potential harms of using targeted Facebook advertisements to recruit hard-to-reach and stigmatized populations. To minimize harm to participants and research staff, researchers must preemptively implement detailed social media recruitment and monitoring guidelines for monitoring and responding to negative feedback on targeted Facebook advertisements.
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 | 0,004 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 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 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 ».