WhatsApp-Based Focus Groups Among Mexican-Origin Women in Zika Risk Area: Feasibility, Acceptability, and Data Quality
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
BACKGROUND: Despite unprecedented advances in worldwide access to the internet via smartphones, barriers to engaging hard-to-reach populations remain in many methods of health research. A potential avenue for conducting qualitative research is via participatory web-based media, including the free, popular social platform WhatsApp. However, despite the clear advantages of engaging with participants over a well-established web-based platform, logistical challenges remain. OBJECTIVE: This study aims to report evidence on the feasibility and acceptability of WhatsApp as a method to conduct focus groups. METHODS: A pilot focus group was conducted with Spanish-speaking women near the US-Mexico border. The content focus was knowledge and perceived risks for exposure to the Zika virus during pregnancy. RESULTS: Evidence was obtained regarding WhatsApp as a low-cost, logistically feasible methodology that resulted in rich qualitative data from a population that is often reticent to engage in traditional research. A total of 5 participants participated in a focus group, of whom all 5 consistently contributed to the focus group chat in WhatsApp, which was conducted over 3 consecutive days. CONCLUSIONS: The findings are noteworthy at a time when face-to-face focus groups, the gold standard, are risky or precluded by safe COVID-19 guidelines. Other implications include more applications and evaluations of WhatsApp for delivering one-on-one or group health education interventions on sensitive topics. This paper outlines the key steps and considerations for the replication or adaptation of methods.
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.
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 | 0,067 | 0,010 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,003 |
| Communication savante | 0,001 | 0,002 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 découle