Feasibility of Testing Client Preferences for Accessing Injectable Opioid Agonist Treatment (iOAT): A Pilot Study
Notice bibliographique
Résumé
Purpose: Injectable opioid agonist treatment (iOAT) is an effective treatment for opioid use disorder (OUD). To our knowledge, no research has systematically studied client preferences for accessing iOAT. Incorporating preferences could help meet the heterogenous needs of clients and make addiction care more person-centred. This paper presents a pilot study of a best-worst scaling (BWS) preference elicitation survey that aimed to assess if the survey was feasible and accessible for our population and to test that the survey could gather sound data that would suit our planned analyses. Patients and Methods: Current and former iOAT clients (n = 18) completed a BWS survey supported by an interviewer using a think-aloud approach. The survey was administered on PowerPoint, and responses and contextual field notes were recorded manually. Think-aloud audio was recorded on Audacity. Results: Clients' feedback fell into five categories: framing of the task, accessibility, conceptualization of attributes and levels, formatting, and behaviour predicting questions. Survey repetitiveness was the most consistent feedback. The data simulation showed that 100 responses should provide an adequate sample size. Conclusion: This pilot demonstrates the type of analysis that can be done with BWS in our population, suggests that such analysis is feasible, and highlights the importance of the interviewer and participant working side-by-side throughout the task.
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) | 0,001 | 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) | 0,000 | 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 ».