MétaCan
Menu
Retour à la cohorte
Enregistrement W4282831943 · doi:10.1093/cdn/nzac063.006

Investigating the Feasibility of Remote Recruitment and Data Collection in the Context of an In-Restaurant Intervention Study

2022· article· en· W4282831943 sur OpenAlexaff
Juliana Goldsmith, Mackenzie J. Ferrante, Sara Tauriello, Leonard H. Epstein, Jess Haines, Lucia A. Leone, Stephanie Anzman‐Frasca

Notice bibliographique

RevueCurrent Developments in Nutrition · 2022
Typearticle
Langueen
DomaineHealth Professions
ThématiqueMobile Health and mHealth Applications
Établissements canadiensUniversity of Guelph
Organismes subventionnairesnon disponible
Mots-clésContext (archaeology)Intervention (counseling)PhoneData collectionMedicineCluster randomised controlled trialFamily medicineAdvertisingPsychologyNursingGeographyBusiness

Résumé

récupéré en direct d'OpenAlex

Consumption of restaurant food is linked with increased energy intake and poor diet quality among children. Our ongoing cluster-randomized trial is designed to promote healthier eating among children in restaurants, with original plans to recruit families and collect data in local restaurants. Interactions with the first cohort were conducted remotely due to COVID-19, offering the opportunity to examine remote recruitment and data collection in the context of an in-restaurant intervention study. Parents with a 4-to-8-year-old child were recruited from 2 locations (1 intervention, 1 control) of a local, quick-service restaurant chain in Summer 2021. Study information was posted online and in-restaurant. Interested parents contacted study staff via text, phone, or email and completed screening, followed by an online baseline survey if eligible. Participants received study materials (frequent diner card and placemat) via mail. Intervention materials promoted healthful kids’ meals, and control materials promoted kids’ meals generally. Families returned to the same restaurant 6 times during a 2-month exposure period, where placemats were available, and frequent diner cards could be used. In November 2021, families returned for a final restaurant visit, submitting photos of their child's meal and completing a final online survey. Parents responded to study advertisements primarily via text (n = 61, 56% of inquiries) and 26 parents were recruited (17 intervention, 9 control). Twenty-one families (81%) completed final study procedures. Overall, parent comments about the study were positive, including statements such as “clear instructions” and “easy to complete.” Some recommended changes including “make the frequent diner card digital.” Recruitment was slower compared to in-person restaurant studies, but compliance and retention were high. For comparison, our in-person pilot research in this restaurant chain screened 134 families and enrolled 126 in one Summer, with retention just under 50%. Additional research is needed to maximize the feasibility of remote research in restaurants, perhaps leveraging successful remote data collection methods from the present study while returning to in-person recruitment when feasible. NIH R01HD096748.

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 distillée sur la base complète

Imitation des enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,007
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: Observationnel
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,236
Score d'incertitude au seuil0,540

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0070,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,001
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0000,000
Intégrité de la recherche0,0000,001
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

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.

Tête enseignante Opus0,388
Tête enseignante GPT0,534
Écart entre enseignants0,147 · 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 tête enseignante, 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

Citations0
Publié2022
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueCurrent Developments in NutritionMême sujetMobile Health and mHealth ApplicationsTravaux en français237 207