Expanding a single-institution survey to multiple institutions: Lessons learned in research design and deployment
Notice bibliographique
Résumé
Objective: Creating generalizable knowledge across institutions is a step beyond a successful local research project. The purpose of this article is to share the process and lessons learned from expanding a survey tool developed and piloted at a single veterinary college to its deployment at multiple veterinary colleges in the United States and Canada. Population or problem: Little guidance exists on expanding a survey developed for a single institution to distribution to health professions students across multiple institutions. Methods: In June 2016, the first author of the survey contacted librarians from veterinary colleges to explore a possible multi-institution study to investigate student behaviors and perceptions around scientific information. Librarians from twenty-nine institutions initially expressed interest. Those at fifteen institutions participated in initial planning, and eight elected to distribute the survey. Of these, seven submitted for IRB review at their own institution and one institution facilitated the distribution of the survey under the original institution’s IRB exemption. Findings: The IRB submission process and requirements varied by participating institution. Mean time from submission to approval was 10 days (range: 2-31 days). Several changes were made to the survey based on the recommendations of participating librarians, ranging from simplifying the method of survey distribution to modifying specific questions to make them meaningful across institutions. As participating institutions did not have synchronized academic calendars, the survey distribution took a staggered approach between institutions based on IRB review and varying institutional processes. Conclusions: Expanding even a simple IRB-exempt survey from one institution to others requires careful consideration of local practices, attention to differences in the IRB process, and ethical considerations for recruiting students where librarians serve as instructors or hold other positions of influence. Attempts to standardize recruitment messaging and survey questions for generalizable results required compromise by the librarian researchers at participating institutions.
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 | 0,631 | 0,628 |
| Méta-épidémiologie (sens strict) | 0,003 | 0,003 |
| Méta-épidémiologie (sens large) | 0,003 | 0,004 |
| Bibliométrie | 0,006 | 0,010 |
| Études des sciences et des technologies | 0,005 | 0,011 |
| Communication savante | 0,011 | 0,025 |
| Science ouverte | 0,010 | 0,013 |
| Intégrité de la recherche | 0,005 | 0,012 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,006 | 0,003 |
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; l’étiquette directe de Gemma et le classifieur distillé Codex s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».