Engaging Participants Through Hybrid Community-Centered Approaches: Lessons Learned During the COVID CommUNITY Public Health Research Program
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Community-centered research studies can improve trust, cultural appropriateness, and accurate findings through meaningful, in-depth engagement with participants. During the COVID-19 pandemic, researchers shifted to implement pandemic-specific guidelines on top of already existing safety practices; these adjustments gave insight into bettering the structure of forthcoming research studies. At the Population Health Research Institute (PHRI)/McMaster University, the COVID CommUNITY study staff took field notes from their experience at the Ontario (ON) and British Columbia (BC) sites navigating an observational prospective cohort study during the pandemic. These field notes are outlined below to provide insight into culturally responsive, trust-centered, and communication-focused strategies used to improve hybrid research. A significant challenge the team overcame was obtaining blood sample collections by executing socially distanced sample collections outside of participants' homes, coined "Porch Pickups." Data collection was made more accessible through phone surveys and frequent virtual contact. To enhance recruitment strategies for sub-communities of the South Asian population, staff focused on cultural interests and "gift-exchange" incentives. Cultural awareness was prioritized through correct name pronunciation, conducting data collection in participant preferred languages, and using flexible approaches to data collection. These strategies were developed through weekly team meetings where improvement strategies were discussed, and concerns were addressed in real-time.
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.
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 | 0,190 | 0,041 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,003 |
| Études des sciences et des technologies | 0,039 | 0,001 |
| Communication savante | 0,001 | 0,003 |
| Science ouverte | 0,002 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,018 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 découle