Participant Bias in Community-Based Physical Activity Research: A Consistent Limitation?
Notice bibliographique
Résumé
Physical activity is a beneficial, yet complex, health behavior. To ensure more people experience the benefits of physical activity, we develop and test interventions to promote physical activity and its associated benefits. Nevertheless, we continue to see certain groups of people who choose not to, or are unable to, take part in research, resulting in "recruitment bias." In fact, we (and others) are seemingly missing large segments of people and are doing little to promote physical activity research to equity-deserving populations. So, how can we better address recruitment bias in the physical activity research we conduct? Based on our experience, we have identified 5 broad, interrelated, and applicable strategies to enhance recruitment and engagement within physical activity interventions: (1) gain trust, (2) increase community support and participation, (3) consider alternative approaches and designs, (4) rethink recruitment strategies, and (5) incentivize participants. While we recognize there is still a long way to go, and there are broader community and societal issues underlying recruitment to research, we hope this commentary prompts researchers to consider what they can do to try to address the ever-present limitation of "recruitment bias" and support greater participation among equity-deserving groups.
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 | 0,632 | 0,758 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,002 |
| Méta-épidémiologie (sens large) | 0,004 | 0,004 |
| Bibliométrie | 0,004 | 0,006 |
| Études des sciences et des technologies | 0,011 | 0,038 |
| Communication savante | 0,016 | 0,028 |
| Science ouverte | 0,014 | 0,011 |
| Intégrité de la recherche | 0,030 | 0,028 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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; l’étiquette directe de Gemma et le classifieur distillé Codex s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».