Lessons learned on data collection for a digital health intervention—insights and challenges from Nigeria
Notice bibliographique
Résumé
Objectives: This article delves into the challenges of medical data collection during the COVID-19 pandemic in developing countries, using Nigeria as a case study. It emphasizes how data collection impacts research quality, reliability, and validity. Methods: Qualitative research utilizing purposive sampling was employed to explore experiences in designing a diagnostic tool for febrile diseases in Nigeria. A questionnaire with selectable and open-ended questions was utilized for data collection, and 23 respondents participated. Results: Among 74 potential participants, 23 valid responses were gathered, revealing significant themes related to experiences and challenges in medical data collection. A multidisciplinary team approach proved beneficial, fostering collaboration, enhancing knowledge, and promoting positive experiences. Despite challenges with paper questionnaires, most participants preferred them for ease of use. Connectivity issues hindered timely data uploading and disrupted virtual meetings. Conclusion: Innovative and flexible strategies, such as a blended data collection approach and well-coordinated teams, were vital in overcoming challenges. Electronic data collection tools, reminders, and effective communication played key roles, leading to positive outcomes. This study provides valuable insights for researchers and practitioners involved in data collection, particularly in developing countries like Nigeria.
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 | 0,046 | 0,059 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,006 | 0,006 |
| Communication savante | 0,010 | 0,009 |
| Science ouverte | 0,002 | 0,007 |
| Intégrité de la recherche | 0,003 | 0,005 |
| 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; 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 ».