Using an Online Measurement Data Management Platform to Improve Survey Response Rates in a Community Sexual Assault Centre
Notice bibliographique
Résumé
PURPOSE: Data collection in community organizations can be challenging, but important for evaluative initiatives as well as for therapeutic purposes, such as for organizations engaged in measurement-based care. This study tested the impact of an online measurement data management platform (OMDMP) on mental health assessment response rates at a community-based sexual assault crisis center. We examined whether implementing the OMDMP improved client assessment participation in mental health assessment questionnaires compared to manual data collection methods. Materials and Methods: Using a pre-post design, we analyzed data from two time periods: pre-pandemic (manual assessments) and mid-pandemic (OMDMP assessments). Data included clients' mental health assessments, using standardized tools such as the DASS-21 and IES-R. RESULTS: Our analysis revealed a significant increase in the rate of clients completing at least one mental health assessment, rising from 45% (manual) to 71% after the introduction of the OMDMP. We also found that the OMDMP prompted clients to complete their assessments generally on time, contributing to effective use of assessments as a component of measurement-based care. DISCUSSION: Although this improvement demonstrates clear benefits for data collection in a community setting, challenges remain in ensuring both pre- and posttest completion. While online tools can enhance organizational capacity for self-evaluation and improve client participation in measurement-based care, attention is still needed to address gaps in the data collection process. CONCLUSION: We discuss the successes and barriers encountered during the implementation of the OMDMP and its potential implications for social work practice.
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 | 0,056 | 0,012 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,004 |
| Études des sciences et des technologies | 0,002 | 0,000 |
| Communication savante | 0,001 | 0,002 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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; les deux têtes enseignantes s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».