Improving Electronic Survey Response Rates Among Cancer Center Patients During the COVID-19 Pandemic: Mixed Methods Pilot Study
Notice bibliographique
Résumé
BACKGROUND: Surveys play a vital role in cancer research. During the COVID-19 pandemic, the use of electronic surveys is crucial to improve understanding of the patient experience. However, response rates to electronic surveys are often lower compared with those of paper surveys. OBJECTIVE: The aim of this study was to determine the best approach to improve response rates for an electronic survey administered to patients at a cancer center during the COVID-19 pandemic. METHODS: We contacted 2750 patients seen at Moffitt Cancer Center in the prior 5 years via email to complete a survey regarding their experience during the COVID-19 pandemic, with patients randomly assigned to a series of variations of prenotifications (ie, postcard, letter) or incentives (ie, small gift, modest gift card). In total, eight combinations were evaluated. Qualitative interviews were conducted to understand the level of patient understanding and burden with the survey, and quantitative analysis was used to evaluate the response rates between conditions. RESULTS: A total of 262 (9.5%) patients completed the survey and 9 participated in a qualitative interview. Interviews revealed minimal barriers in understanding or burden, which resulted in minor survey design changes. Compared to sending an email only, sending a postcard or letter prior to the email improved response rates from 3.7% to 9.8%. Similarly, inclusion of an incentive significantly increased the response rate from 5.4% to 16.7%, especially among racial (3.0% to 12.2%) and ethnic (6.4% to 21.0%) minorities, as well as among patients with low socioeconomic status (3.1% to 14.9%). CONCLUSIONS: Strategies to promote effective response rates include prenotification postcards or letters as well as monetary incentives. This work can inform future survey development to increase response rates for electronic surveys, particularly among hard-to-reach populations.
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 | 0,108 | 0,116 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,002 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,002 | 0,003 |
| Science ouverte | 0,002 | 0,003 |
| Intégrité de la recherche | 0,002 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), 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 ».