“Infantgram?” recruitment of infants to a clinical sleep study via social media
Notice bibliographique
Résumé
Abstract Study Objectives This study aimed to outline the strategy and outcomes of a study team in recruiting participants for an infant sleep study via social media during the COVID-19 pandemic, to assess the feasibility of recruitment via social media, and to quantitatively and qualitatively explore parental satisfaction and perceptions of recruitment via social media. Methods The assessing sleep in infants with early-onset atopic dermatitis by longitudinal evaluation (SPINDLE) study recruited infants with and without atopic dermatitis for a longitudinal study assessing sleep. Infants were recruited via social media and their parents were interviewed to explore their experience of recruitment via social media. Results In total, 57 controls and 33 cases were recruited. Of the 45 controls recruited via social media, 43 (95.6%) were recruited via Instagram and 2 (4.4%) were recruited via Twitter. Of the seven cases recruited via social media, 6 (85.7%) were recruited via Facebook (via sharing of Instagram posts by third parties on Facebook) and 1 (14.3%) was recruited via Instagram. All (100%, n = 28) mothers recruited via social media who completed the full study were satisfied with this approach to recruitment. Specific reasons why mothers reported engaging following exposure to the social media posts included the benefit of additional health checks for their baby, the benefit to scientific advancement, and the opportunity for a stimulating outing following the COVID-19 lockdowns. Conclusions Our experience highlights parents’ acceptance of recruitment via social media, the optimization of time and financial resources, and the benefit of using internet-based recruitment during a pandemic.
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 | 0,003 | 0,005 |
| 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) | 0,000 | 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 ».