Using a Mobile Messenger Service as a Digital Diary to Capture Patients’ Experiences Along Their Interorganizational Treatment Path in Gynecologic Oncology: Lessons Learned
Notice bibliographique
Résumé
A digital diary in the form of a mobile messenger service offers a novel method for data collection in cancer research. Little is known about the things to consider when using this data collection method in clinical research for patients with cancer. In this Viewpoint paper, we discuss the lessons we learned from using a qualitative digital diary method via a mobile messenger service for data collection in oncology care. The lessons learned focus on three main topics: (1) data quality, (2) practical aspects, and (3) data protection. We hope to provide useful information to other researchers who consider this method for their research with patients. First, in this paper, we argue that the interactive nature of a digital diary via a messenger service is very well suited for the phenomenological approach and produces high-quality data. Second, we discuss practical issues of data collection with a mobile messenger service, including participant and researcher interaction. Third, we highlight corresponding aspects around technicalities, particularly those regarding data security. Our views on data privacy and information security are summarized in a comprehensive checklist to inform fellow researchers on the selection of a suitable messenger service for different scenarios. In our opinion, a digital diary via a mobile messenger service can provide high-quality data almost in real time and from participants' daily lives. However, some considerations must be made to ensure that patient data are sufficiently protected. The lessons we learned can guide future qualitative research using this relatively novel method for data collection in cancer research.
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 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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| 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 tête enseignante, 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 ».