Going remote: Implementing digital research methods at an academic medical center during COVID-19
Notice bibliographique
Résumé
Abstract COVID-19 has forced medical research institutions to conduct clinical research remotely. Here, we describe how a university’s mHealth Research Core helped facilitate the shift to remote research during the COVID-19 pandemic. In 2019 (pre-pandemic), we conducted stakeholder interviews and leadership group sessions to identify, create, and implement resources and core functions to support investigator-initiated mHealth research. Between April 2019 and February 2020, we identified four investigator needs: 1) a seminar series on trends in mHealth research, 2) mHealth case consultation services, 3) liaison services with institutional regulatory compliance groups, and 4) online navigation tools for implementation of mHealth methods (e.g., eConsent) and for building partnerships with technology vendors. To date, the mHealth Research Core has held seven seminars, completed 71 case consultations, assisted four COVID-related clinical studies, advised the IRB on shifting to remote research, and widely disseminated eConsent navigation tools. Although pre-pandemic stakeholder and investigator needs led to the creation of the mHealth Research Core, this institutional resource played a critical role in continuing clinical research during the pandemic by assisting investigators in rapidly shifting to remote study methodology.
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 | 0,143 | 0,087 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,025 | 0,008 |
| Communication savante | 0,011 | 0,007 |
| Science ouverte | 0,006 | 0,027 |
| Intégrité de la recherche | 0,003 | 0,007 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,018 | 0,003 |
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 ».