Girl2Girl: How to develop a salient pregnancy prevention program for cisgender sexual minority adolescent girls
Notice bibliographique
Résumé
INTRODUCTION: Although sexual minority girls are more likely than heterosexual girls to be pregnant during adolescence, programs tailored to their needs are non-existent. Here we describe the iterative development of Girl2Girl, a text messaging-based pregnancy prevention program for cisgender lesbian, gay, bisexual and other sexual minority (LGB+) girls across the United States. METHODS: Four activities are described: 1) 8 online focus groups to gain feedback about intended program components (n = 160), 2) writing the intervention content, 3) 4 online Content Advisory Teams that reviewed and provided feedback on the salience of drafted intervention content (n = 82), and 4) a beta test to confirm program functionality, the feasibility of assessments, and the enrollment protocol (n = 27). Participants were 14-18-year-old cisgender LGB+ girls recruited nationally on social media. Across study activities, between 52% and 70% of participants were 14-16 years of age, 10-22% were Hispanic ethnicity, and 30-44% were minority race. RESULTS: Focus group participants were positive about receiving text messages about sexual health, although privacy was of concern. Thus, better safeguards were built into the enrollment process. Teens in the Content Advisory Teams found the content to be approachable and compelling, although many wanted more gender-inclusive messaging. Messages were updated to not assume people with penises were boys. Between 71 and 86% of participants in the beta test provided weekly feedback, most of which was positive; no one withdrew during the seven-week study period. CONCLUSIONS: This careful step-by-step iterative approach appears to have resulted in a high level of intervention feasibility and acceptability.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| 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 | 0,001 |
| 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 ».