Participant engagement in a national longitudinal study of COVID-19: Insights from the INSPIRE study
Notice bibliographique
Résumé
OBJECTIVE: To examine participants' motivations and their experiences throughout a decentralized, longitudinal COVID-19 study in the U.S. METHODS: We recruited 355 participants from the Innovative Support for Patients with SARS-CoV-2 Infections Registry (INSPIRE) between November 2022 - March 2023 to answer five qualitative survey questions anonymously. We used an inductive content analysis approach to analyze the data. RESULTS: We identified five key themes from the analysis, which reflected participants' a) motivations to join the study, b) study benefits, c) perceptions of survey questions, d) experiences with the research process, and e) preferences for disseminating research findings. Participants were motivated to learn with researchers about COVID-19. They expressed divided opinions about the relevance of INSPIRE research questions. They reported difficulties navigating the virtual research platform and the need for making survey participation less cognitively demanding. They sought more regular feedback on study findings. CONCLUSIONS: Our findings offered insights into incorporating decentralized participatory methods in longitudinal research, strengthening reciprocal research communications, making virtual research platforms user-friendly, and employing strategies to reduce participants' cognitive burden in research. POLICY IMPLICATIONS: Longitudinal studies should focus on optimizing these aspects of participant engagement to produce rigorous findings that inform policy and practice on lasting effects of COVID-19 including Long COVID.
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 | 0,038 | 0,047 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,006 | 0,003 |
| Communication savante | 0,003 | 0,003 |
| Science ouverte | 0,001 | 0,006 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 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 ».