A comparison of the sociodemographic, medical, and psychosocial characteristics of adolescents and young adults diagnosed with cancer recruited in-person and online: A Canadian cross-sectional survey
Notice bibliographique
Résumé
Introduction Adolescents and young adults diagnosed with cancer (AYAs) are under-represented in research. The Internet and social media could increase the reach of recruitment efforts but may impact sample characteristics. This study evaluated the characteristics of AYAs recruited in-person at an urban hospital versus the Internet in terms of their sociodemographic and medical characteristics, and psychosocial wellbeing, and offers recommendation for increasing the inclusivity and representativeness of research samples. Methods Participant data from a cross-sectional survey of AYAs in Canada were evaluated. In-person hospital recruitment used a registry to identify patients attending ambulatory clinics. Internet recruitment included notices on hospital, team members’, and community partners’ social media channels, and email newsletters. Independent sample t -tests and Chi-squared tests were used to identify differences in participant sociodemographic, medical, and psychosocial characteristics based on recruitment source. Results Of 436 participants, 217 (49.8%) were recruited in-person and 219 (50.2%) online. Online participants were more likely: to be white ( p < .001), women ( p < .001), and Canadian-born ( p < .001); to speak English at home ( p < .001), live alone ( p = .001) and live in rural settings ( p = .014); and to be farther from diagnosis ( p = .023), diagnosed with breast cancer ( p < .001), and cancer free ( p < .001) compared to the hospital sample. Online participants also reported higher anxiety, depression, and loneliness ( p < .001), and lower social support (p < .001), self-efficacy for coping with cancer ( p < .001), and life satisfaction ( p = .006). Conclusions Online recruitment yielded a more geographically diverse but less sociodemographically diverse sample of AYAs who were farther from diagnosis and had poorer psychosocial wellbeing than in-person recruitment at an urban hospital. Future research efforts should consider partnering with under-represented communities and using targeted and stratified online and in-person recruitment strategies to achieve an inclusive and representative sample of AYAs.
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 | 0,001 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,002 | 0,003 |
| Études des sciences et des technologies | 0,002 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| 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 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 ».