Research staff’s experiences of how the COVID-19 pandemic impacted recruitment for a paediatric network study
Notice bibliographique
Résumé
PURPOSE: Since the COVID-19 pandemic, a paediatric network study with clinical sites across Canada suffered a reduction in participation. When research studies fail to meet enrolment targets, it can reduce the strength and validity of the results. This study explores research staff's experiences of how the COVID-19 pandemic impacted recruitment for a paediatric network study. METHODS: This study was conducted using a qualitative design. Focus group sessions were used to gain the perspective of research staff involved in recruitment and transcripts were analysed using Colaizzi's seven-step method of data analysis. RESULTS: Analysis revealed four major themes: (1) the COVID-19 pandemic had an impact on research activity; (2) families of children with medical complexity perform a risk-benefit assessment when deciding whether to take part in research; (3) a trusting relationship with clinicians is a key factor in research recruitment; and (4) research needs to be flexible in order to adapt to evolving contexts. CONCLUSION: This study identified both COVID-19 and non-COVID-19-related factors that impacted study recruitment for a paediatric network study. Understanding and addressing these challenges will mitigate the negative impacts on health outcomes that can occur when research studies fail to meet enrolment targets.
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 | 0,103 | 0,162 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,016 | 0,015 |
| Communication savante | 0,007 | 0,005 |
| Science ouverte | 0,003 | 0,014 |
| Intégrité de la recherche | 0,004 | 0,006 |
| 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 ».