MétaCan
Menu
Retour à la cohorte
Enregistrement W3200632878 · doi:10.2196/28929

A Case Study of an SMS Text Message Community Panel Survey and Its Potential for Use During the COVID-19 Pandemic

2021· article· en· W3200632878 sur OpenAlexvenueno aff
Lilian Chan, Nouhad El-Haddad, Becky Freeman, Blythe J. O’Hara, Lisa Woodland, Ben Harris‐Roxas

Notice bibliographique

RevueJMIR Formative Research · 2021
Typearticle
Langueen
DomaineSocial Sciences
ThématiqueImpact of Technology on Adolescents
Établissements canadiensnon disponible
Organismes subventionnairesNSW Ministry of HealthCancer Institute NSW
Mots-clésShort Message ServicePandemicData collectionText messageText messagingFocus groupService (business)Coronavirus disease 2019 (COVID-19)MedicineInternet privacyPsychologyComputer scienceMedical educationBusinessSociologyTelecommunicationsMarketing

Résumé

récupéré en direct d'OpenAlex

During the COVID-19 pandemic many traditional methods of data collection, such as intercept surveys or focus groups, are not feasible. This paper proposes that establishing community panels through SMS text messages may be a useful method during the pandemic, by describing a case study of how an innovative SMS text message community panel was used for the "Shisha No Thanks" project to collect data from young adults of Arabic-speaking background about their attitudes on the harms of waterpipe smoking. Participants were asked to complete an initial recruitment survey, and then subsequently sent 1 survey question per week. The study recruited 133 participants to the SMS text message community panel and the mean response rate for each question was 73.0% (97.1/133) (range 76/133 [57.1%] to 112/133 [84.2%]). The SMS text message community panel approach is not suited for all populations, nor for all types of inquiry, particularly due to limitations of the type of responses that it allows and the required access to mobile devices. However, it is a rapid method for data collection, and therefore during the COVID-19 pandemic, it can provide service providers and policymakers with timely information to inform public health responses. In addition, this method negates the need for in-person interactions and allows for longitudinal data collection. It may be useful in supplementing other community needs assessment activities, and may be particularly relevant for people who are considered to be more difficult to reach, particularly young people, culturally and linguistically diverse communities, and other groups that might otherwise be missed by traditional 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.

Comment cette classification a été obtenuedéplier

Prédiction machine sur la base complète

Imitation des enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,021
score de la tête « metaresearch » (Gemma)0,034
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,021
Score d'incertitude au seuil0,111

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0210,034
Méta-épidémiologie (sens strict)0,0010,001
Méta-épidémiologie (sens large)0,0010,001
Bibliométrie0,0010,002
Études des sciences et des technologies0,0110,003
Communication savante0,0030,003
Science ouverte0,0030,005
Intégrité de la recherche0,0060,004
Charge utile insuffisante (le modèle a refusé de juger)0,0030,001

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.

Tête enseignante Opus0,345
Tête enseignante GPT0,508
Écart entre enseignants0,163 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeObservationnel
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations5
Publié2021
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueJMIR Formative ResearchMême sujetImpact of Technology on AdolescentsTravaux en français237 207