Effective and resource‐efficient strategies for recruiting families in physical activity, sedentary behavior, nutrition, and obesity prevention research: A systematic review with expert opinion
Notice bibliographique
Résumé
We systematically identified effective and resource-efficient strategies for recruiting families into health promoting intervention research. Four databases were searched for reviews. Interventions were extracted from included reviews. Additionally, a Delphi study was conducted with 35 experts in family-based research. We assessed extracted data from our review and Delphi participants' opinions by collating responses into overarching themes based on recruitment setting then recruitment strategies to identify effective and resource-efficient strategies for recruiting families into intervention research. A total of 64 articles (n = 49 studies) were included. Data regarding recruitment duration (33%), target sample size (32%), reach (18%), expressions of interest (33%), and enrollment rate (22%) were scarcely reported. Recruitment settings (84%) and strategies (73%) used were available for most studies. However, the details were vague, particularly regarding who was responsible for recruitment or how recruitment strategies were implemented. The Delphi showed recruitment settings, and strategies fell under six themes: school-based, print/electronic media, community settings-based, primary care-based, employer-based, and referral-based strategies. Underrecruitment in family-based trials is a major issue. Reporting on recruitment can be improved by better adherence to existing guidelines. Our findings suggest a multifaceted recruitment approach targeting adults and children with multiple exposures to study information.
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 | 0,011 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,004 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| 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 ».