Evaluating and improving the quality of survey data from panel and crowd-sourced samples: A practical guide for psychological research.
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
The use of crowd-sourced and panel survey data in addiction research has become widespread. However, the validity of data obtained from newer panels such as Qualtrics has not been extensively evaluated. Furthermore, few addiction researchers appear to employ previously recommended guidelines for maximizing the quality of data obtained from panel samples. The goals of the present study were as follows: (a) to evaluate the quality of survey data obtained from Qualtrics including an evaluation of the company's internal data screening process and (b) to provide a practical implementation guide for data screening practices that maximize the quality of data obtained via panel and crowd-sourced samples. To address the goals, two panel samples evaluating vaping and video gaming behaviors were recruited in Canada via Qualtrics and underwent Qualtrics's internal data screening process before being rigorously rescreened by the authors. The results demonstrate that while Qualtrics's paid internal data quality process flags and removes many low-quality participants, there is still a large portion of participants presented by Qualtrics as high-quality that are likely low-quality responses that need to be screened out. The presented methodology provides a rigorous data screening protocol, including step-by-step application, for crowd-sourced samples in addictive behavior research for maximizing data quality. Researchers should be cautious in the use of Qualtrics data for administration of addiction survey research and are encouraged to use additional data screening procedures to maximize data quality. (PsycInfo Database Record (c) 2022 APA, all rights reserved).
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 | 0,025 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,001 | 0,002 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,002 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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