Evaluating More Granular Options for Socio‐Demographic Questions in Autism Research
Notice bibliographique
Résumé
We evaluated the feasibility and acceptability of adding more detailed choices for race, ethnicity, sex, gender, and socio-economic status for a demographic survey used by families both within and outside a large learning health network, the Autism Care Network (ACNet). We updated our demographic survey using an iterative approach, incorporating qualitative and quantitative feedback from interested parties across the US and Canada. Pilot testing of the revised survey was conducted with families with and without autism served by two large academic pediatric tertiary care centers. Through purposive sampling, recruitment was enriched for families from ethnic, racial, or gender minority backgrounds. The updated demographic survey increased the number of response options for race and ethnicity, sex, gender, and language. 85 families within the ACNet and 242 families outside the ACNet provided feasibility and acceptability data. 41% of respondents were from nonWhite or multiple race groups. 99% of respondents rated the updated form same or better than the original. 91% of respondents rated the updated form as acceptable, while 97% rated the survey as feasible. Despite concerns about the burden on respondents, we found high rates of feasibility and acceptability of more granular response options in demographic surveys. Researchers can adapt this approach to make their own more granular demographic forms focused on the specific variables relevant to their study and local contexts. More granular demographic data can identify strengths and gaps in representation that could impact a study's generalizability.
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 | 0,447 | 0,541 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,002 |
| Méta-épidémiologie (sens large) | 0,002 | 0,003 |
| Bibliométrie | 0,006 | 0,005 |
| Études des sciences et des technologies | 0,003 | 0,004 |
| Communication savante | 0,005 | 0,011 |
| Science ouverte | 0,004 | 0,012 |
| Intégrité de la recherche | 0,003 | 0,004 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,008 | 0,002 |
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; l’étiquette directe de Gemma et le classifieur distillé Codex 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 ».