Social Media Recruitment as a Potential Trigger for Vulnerability: Multistakeholder Interview Study
Notice bibliographique
Résumé
Background: More clinical studies use social media to increase recruitment accrual. However, empirical analyses focusing on the ethical aspects pertinent when targeting patients with vulnerable characteristics are lacking. Objective: This study aims to explore expert and patient perspectives on vulnerability in the context of social media recruitment and seeks to explore how social media can reduce or amplify vulnerabilities. Methods: As part of an international consortium that tests a therapeutic vaccine against hepatitis B (TherVacB), we conducted 30 qualitative interviews with multidisciplinary experts in social media recruitment (from the fields of clinical research, public relations, psychology, ethics, philosophy, law, and social sciences) about the ethical, legal, and social challenges of social media recruitment. We triangulated the expert assessments with the perceptions of 6 patients with hepatitis B regarding social media usage and attitudes relative to their diagnosis. Results: Experts perceived social media recruitment as beneficial for reaching hard-to-reach populations and preserving patient privacy. Features that may aggravate existing vulnerabilities are the acontextual point of contact, potential breaches of user privacy, biased algorithms disproportionately affecting disadvantaged groups, and technological barriers such as insufficient digital literacy skills and restricted access to relevant technology. We also report several practical recommendations from experts to navigate these triggering effects of social media recruitment, including transparent communication, addressing algorithm bias, privacy education, and multichannel recruitment. Conclusions: Using social media for clinical study recruitment can mitigate and aggravate potential study participants' vulnerabilities. Researchers should anticipate and address the outlined triggering effects within this study's design and proactively define strategies to overcome them. We suggest practical recommendations to achieve this.
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 | 0,056 | 0,070 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,004 | 0,002 |
| Études des sciences et des technologies | 0,006 | 0,004 |
| Communication savante | 0,003 | 0,005 |
| Science ouverte | 0,002 | 0,007 |
| Intégrité de la recherche | 0,002 | 0,002 |
| 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 ».