A Web-Based, Respondent-Driven Sampling Survey Among Men Who Have Sex With Men (Kai Noi): Description of Methods and Characteristics
Notice bibliographique
Résumé
BACKGROUND: Thailand's HIV epidemic is heavily concentrated among men who have sex with men (MSM), and surveillance efforts are mostly based on case surveillance and local biobehavioral surveys. OBJECTIVE: We piloted Kai Noi, a web-based respondent-driven sampling (RDS) survey among MSM. METHODS: We developed an application coded in PHP that facilitated all procedures and events typically used in an RDS office for use on the web, including e-coupon validation, eligibility screening, consent, interview, peer recruitment, e-coupon issuance, and compensation. All procedures were automated and e-coupon ID numbers were randomly generated. Participants' phone numbers were the principal means to detect and prevent duplicate enrollment. Sampling took place across Thailand; residents of Bangkok were also invited to attend 1 of 10 clinics for an HIV-related blood draw with additional compensation. RESULTS: Sampling took place from February to June 2022; seeds (21 at the start, 14 added later) were identified through banner ads, micromessaging, and in online chat rooms. Sampling reached all 6 regions and almost all provinces. Fraudulent (duplicate) enrollment using "borrowed" phone numbers was identified and led to the detection and invalidation of 318 survey records. A further 106 participants did not pass an attention filter question (asking recruits to select a specific categorical response) and were excluded from data analysis, leading to a final data set of 1643 valid participants. Only one record showed signs of straightlining (identical adjacent responses). None of the Bangkok respondents presented for a blood draw. CONCLUSIONS: We successfully developed an application to implement web-based RDS among MSM across Thailand. Measures to minimize, detect, and eliminate fraudulent survey enrollment are imperative in web-based surveys offering compensation. Efforts to improve biomarker uptake are needed to fully tap the potential of web-based sampling and data collection.
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 | 0,013 | 0,009 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,003 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,015 | 0,008 |
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 ».