Recruitment of Community-Based Samples: Experiences and Recommendations for Optimizing Success
Notice bibliographique
Résumé
BACKGROUND: Recruitment in health and social science research is a critically important but often overlooked step in conducting successful research. The challenges associated with recruitment pertain to multiple factors such as enrolling groups with vulnerabilities, obtaining geographic, cultural, and ethnic representation within study samples, supporting the participation of less accessible populations such as older adults, and developing networks to support recruitment. PURPOSE: This paper presents the experiences of two early career researchers in recruiting community-based samples of older adults, their caregivers, and associated health providers. METHODS: Challenges and facilitators in recruiting two community-based qualitative research samples are identified and discussed in relation to the literature. RESULTS: Challenges included: identifying potential participants, engaging referral partners, implementing multi-methods, and achieving study sample diversity. Facilitators included: making connections in the community, building relationships, and drawing on existing networks. CONCLUSIONS: Findings suggest the need for greater recognition of the importance of having clear frameworks and strategies to address recruitment prior to study commencement as well as the need to have clear outreach strategies to optimize inclusion of marginalized groups. Recommendations and a guide are provided to inform the development of recruitment approaches of early career researchers in health and social science research.
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 | 0,216 | 0,229 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,002 | 0,002 |
| Bibliométrie | 0,003 | 0,004 |
| Études des sciences et des technologies | 0,023 | 0,010 |
| Communication savante | 0,017 | 0,019 |
| Science ouverte | 0,009 | 0,023 |
| Intégrité de la recherche | 0,008 | 0,009 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,010 | 0,004 |
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; l’étiquette directe de Gemma et le classifieur distillé Codex 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 ».