Participant engagement in a national longitudinal study of COVID-19: Insights from the INSPIRE study
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
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.
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 | 0,004 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| 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 découle