Why We Swab: A library of stories in stem cell donation
Notice bibliographique
Résumé
BACKGROUND: Stories are powerful in their ability to disseminate information in a meaningful way. We hypothesized that a stem cell donation story library optimized for social media could support the education and recruitment of committed unrelated hematopoietic stem cell donors from needed demographic groups. STUDY DESIGN AND METHODS: We developed Why We Swab, a library of stories on stem cell donation (facebook.com/WhyWeSwab; instagram.com/WhyWeSwab; twitter.com/WhyWeSwab), and evaluated its impact across social and traditional media as well as on eligible potential donors' knowledge and attitudes towards donation. RESULTS: As of December 2021, the library included 28 story arcs featuring 45 storytellers from diverse ancestral backgrounds, including 8 donor-recipient stories. Overall, the stories reached >92,000 people across social media. Notably, stories were republished by 18 print/ broadcast media outlets in Canada and by major medical organizations. A series of stories shown to 33 eligible potential donors improved mean total scores on a donation knowledge test (64% to 85%, p < 0.001), reduced mean ambivalence scale scores (3.85 to 2.70, p < 0.001), and improved participants' willingness to register as donors (45% to 73%, p < 0.005). Data are also shown demonstrating that stakeholders valued the library and that its deployment was associated with improved donor recruitment outcomes in Canada. CONCLUSION: Why We Swab is accessible and relevant to a wide audience, including stem cell donor registries and recruitment organizations seeking to improve their recruitment efforts as well as to blood and organ & tissue donation organizations who can adapt the Why We Swab model to their audiences.
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 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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, 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 ».