Recruiting participants for focus groups in health research: a meta-research study
Notice bibliographique
Résumé
BACKGROUND: Focus groups (FGs) are an established method in health research to capture a full range of different perspectives on a particular research question. The extent to which they are effective depends, not least, on the composition of the participants. This study aimed to investigate how published FG studies plan and conduct the recruitment of study participants. We looked at what kind of information is reported about recruitment practices and what this reveals about the comprehensiveness of the actual recruitment plans and practices. METHODS: We conducted a systematic search of FG studies in PubMed and Web of Science published between 2018 and 2024, and included n = 80 eligible publications in the analysis. We used a text extraction sheet to collect all relevant recruitment information from each study. We then coded the extracted text passages and summarised the findings descriptively. RESULTS: Nearly half (n = 38/80) of the studies were from the USA and Canada, many addressing issues related to diabetes, cancer, mental health and chronic diseases. For recruitment planning, 20% reported a specific sampling target, while 6% used existing studies or literature for organisational and content planning. A further 10% reported previous recruitment experience of the researchers. The studies varied in terms of number of participants (range = 7-202) and group size (range = 7-20). Recruitment occurred often in healthcare settings, rarely through digital channels and everyday places. FG participants were most commonly recruited by the research team (21%) or by health professionals (16%), with less collaboration with public organisations (10%) and little indication of the number of people involved (13%). A financial incentive for participants was used in 43% of cases, and 19% reported participatory approaches to plan and carry out recruitment. 65 studies (81%) reported a total of 58 limitations related to recruitment. CONCLUSIONS: The reporting of recruitment often seems to be incomplete, and its performance lacking. Hence, guidelines and recruitment recommendations designed to assist researchers are not yet adequately serving their purpose. Researchers may benefit from more practical support, such as early training on key principles and options for effective recruitment strategies provided by institutions in their immediate professional environment, e.g. universities, faculties or scientific associations.
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 | 0,189 | 0,351 |
| Méta-épidémiologie (sens strict) | 0,003 | 0,002 |
| Méta-épidémiologie (sens large) | 0,012 | 0,022 |
| Bibliométrie | 0,020 | 0,017 |
| Études des sciences et des technologies | 0,002 | 0,003 |
| Communication savante | 0,007 | 0,012 |
| Science ouverte | 0,004 | 0,005 |
| Intégrité de la recherche | 0,004 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,005 | 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 ».