Relational Approaches to Recruitment During and After the Pandemic: Strategies for Community-Led Research Initiatives With Indigenous Communities in Southern Ontario
Notice bibliographique
Résumé
Recruiting research participants is a vital part of health research, necessary to obtain data that can yield meaningful results. Recruiting research participants, however, can be challenging and time-consuming. The COVID-19 pandemic resulted in significant challenges to participant recruitment, as traditional methods relying on in-person interactions were not feasible with health restrictions. This was particularly challenging for community-led research with Indigenous communities, where relational approaches to recruitment are culturally appropriate and ethically necessary to build community trust. This paper describes the recruitment methods of three different Indigenous community-led studies carried out in Southern Ontario during the COVID-19 pandemic and emphasizes the necessity for flexibility and responsive recruitment strategies during this time. Despite health regulations disrupting in-person approaches to building relationships during the pandemic, our priority for a relational approach to recruitment was achieved through strong relationships with community partners and the use of technology. The examples and strategies provided here contribute to the developing body of literature describing the impacts of the COVID-19 pandemic on qualitative and community-led research, of which little is available concerning recruitment strategies. Our experience and learning will be valuable to novice researchers and those who are new to community-led and relational approaches to research.
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 | 0,069 | 0,049 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,033 | 0,009 |
| Communication savante | 0,007 | 0,004 |
| Science ouverte | 0,005 | 0,017 |
| Intégrité de la recherche | 0,002 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,007 | 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 ».