Strategies for improving recruitment of pregnant women to clinical research: An evaluation of social media versus traditional offline methods
Notice bibliographique
Résumé
Objectives: To evaluate the recruitment of pregnant women for a clinical trial in Vancouver, Canada, via social media versus offline methods and to explore optimization of social media campaigns. Methods: Facebook was used to run nine social media campaigns (15 weeks total, CA$675). Offline methods were used concurrently over 64 weeks (printing costs: CA$300). The cost, rate of recruitment and conversion rate in each group was calculated. Performance metrics of social media campaigns (reach, impressions, clicks, inquiries, enrolments) were recorded. Linear regression was used to explore the association between metrics and dollars spent per campaign. Results: In total, n = 481 inquiries were received: n = 51 (11%) via offline methods and n = 430 (89%) via social media. Enrolees (n = 60 total) included n = 24 (40%) and n = 36 (60%) via offline and social media methods, respectively. Gestational weeks upon inquiry (n = 251; mean ± SD) were not different among groups (offline: 13.3 ± 4.7; social media: 13.2 ± 5.6). Direct cost per enrolee was CA$13 and CA$19 via offline and social media methods, respectively (however, this does not include cost of labour). The rate of recruitment was approximately six times faster via social media. However, the conversion rate was higher via offline methods than social media (47% vs. 8%). The amount spent per campaign was significantly associated with improved clicks and inquiries, but not enrolments. Conclusions: Social media was more efficient and effective than offline methods. We gained numerous insights for optimization of social media campaigns (dollars spent, attribution setting, photo testing, automatic optimization) to increase clicks and inquiries, however, this does not necessarily increase enrolments, which was more dependent on study-specific factors (e.g. time of year, study design).
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 | 0,058 | 0,108 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,002 | 0,002 |
| Science ouverte | 0,002 | 0,003 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,008 | 0,001 |
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.
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 ».