Considerations in Recruiting Caregivers of Older Adults to Qualitative Internet-Mediated Research Using Facebook and Meta Business Suite
Notice bibliographique
Résumé
BACKGROUND: Internet-mediated research (IMR), increasingly prominent in social sciences and health care, uses online platforms for data gathering, offering cost-effectiveness and wide accessibility. Despite assumptions that older adults are less active on social media, recent trends indicate otherwise, with a notable presence on platforms like Facebook, making it a valuable recruitment tool. METHODS: The Saskatchewan Caregiver Experience Study employed purposive maximum variation sampling to recruit caregivers via paid Facebook ads, manually shared Facebook posts, and community newsletters. Metrics such as reach, impressions, and link clicks from Facebook advertisements were used to evaluate recruitment effectiveness. Data quality was ensured through "one response per IP address" restrictions on SurveyMonkey. RESULTS: We recruited 355 survey respondents who met the study inclusion criteria. Participants had a mean age of 60.9 years (range: 22-87). Paid Facebook ads were the most effective recruitment method, indicated by higher engagement and response rates. The 355 survey responses totaled 40 746 words, reflecting strong participant engagement. The absence of financial incentives in the study also likely improved data quality. DISCUSSION: This method requires participants to have both device access and technological literacy. The study demonstrates the effectiveness of using social media for recruiting in qualitative research, highlighting its potential for inclusivity and representativeness, while also underscoring the importance of ethical considerations in IMR.
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 | 0,015 | 0,030 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 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; un appel candidat d’une seule tête enseignante, 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 ».