Using Social Media to Recruit Participants in Health Care Research: Case Study
Notice bibliographique
Résumé
This paper presents a case study describing the use of social media, specifically Facebook and Instagram, as a valuable tool for recruiting participants in community-engaged health care studies. Drawing on the experiences of our team during a qualitative study aiming to understand the needs of Indigenous fathers and Two-Spirit parents as they transition to parenthood, we offer an in-depth exploration of our social media recruitment strategy. This strategy encompasses deliberate content creation and online engagement with local Indigenous community organizations and people. Through the implementation of this recruitment strategy, we successfully recruited 18 Indigenous fathers and 4 Two-Spirit parents to our community-engaged project. We learned that social media can be used to enhance recruitment by building community trust, engagement, tailored content for specific audiences, and adaptive strategies guided by data metrics provided by social media platforms. Our journey included several challenges, such as dealing with fraudulent participants, navigating budget and resource constraints, and facing recruitment limitations, which we also describe in detail. Our paper provides essential insights for researchers considering the use of social media as a recruitment tool but we are unsure of how to begin. Health care researchers may find our experience and recommendations helpful for developing and implementing their own effective social media recruitment strategy. Meanwhile, sharing our experience contributes to the broader understanding of the role of social media in participant recruitment.
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 | 0,032 | 0,046 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,023 | 0,008 |
| Communication savante | 0,005 | 0,006 |
| Science ouverte | 0,004 | 0,010 |
| Intégrité de la recherche | 0,007 | 0,005 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 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 ».