The COVID-19 Citizen Science Study: Protocol for a Longitudinal Digital Health Cohort Study
Notice bibliographique
Résumé
BACKGROUND: The COVID-19 pandemic has catalyzed a global public response and innovation in clinical study methods. OBJECTIVE: The COVID-19 Citizen Science study was designed to generate knowledge about participant-reported COVID-19 symptoms, behaviors, and disease occurrence. METHODS: COVID-19 Citizen Science is a longitudinal cohort study launched on March 26, 2020, on the Eureka Research Platform. This study illustrates important advances in digital clinical studies, including entirely digital study participation, targeted recruitment strategies, electronic consent, recurrent and time-updated assessments, integration with smartphone-based measurements, analytics for recruitment and engagement, connection with partner studies, novel engagement strategies such as participant-proposed questions, and feedback in the form of real-time results to participants. RESULTS: As of February 2021, the study has enrolled over 50,000 participants. Study enrollment and participation are ongoing. Over the lifetime of the study, an average of 59% of participants have completed at least one survey in the past 4 weeks. CONCLUSIONS: Insights about COVID-19 symptoms, behaviors, and disease occurrence can be drawn through digital clinical studies. Continued innovation in digital clinical study methods represents the future of clinical research. INTERNATIONAL REGISTERED REPORT IDENTIFIER (IRRID): DERR1-10.2196/28169.
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 | 0,033 | 0,008 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,003 |
| Études des sciences et des technologies | 0,022 | 0,001 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,002 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,002 |
| 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; les deux têtes enseignantes 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 ».