Social Media Recruitment in Indigenous and Native American Populations: Challenges in the AI Age
Notice bibliographique
Résumé
Unlabelled: Using social media recruitment for public health research presents both opportunities and challenges. Despite its increased use, few studies have detailed the practical issues, challenges encountered, and alternative strategies available for social media recruitment. This paper explores strategies for recruiting Indigenous and Native American populations in California for a study on COVID-19 vaccination and social networks. We describe different recruitment approaches, challenges faced, and pros and cons of strategies used to enhance data quality and efficiency, including survey design considerations, Facebook targeting versus use of research panels, quality assurance checks, and decisions around participant incentives. Our local setting involved recruiting Native American and Mesoamerican Indigenous individuals living in California through social media platforms. We highlight key adaptations to survey design, recruitment strategies, and data cleaning processes, noting what approaches that were effective and those that were not. Despite targeted efforts and community collaboration, recruitment was limited, and fraudulent data from bots significantly compromised data quality. Standard Facebook targeting approaches were largely unsuccessful. Our findings suggest that the increasing sophistication of artificial intelligence is becoming a substantial obstacle to authentic participant recruitment through social media. We offer recommendations to improve recruitment of hard-to-reach populations and mitigate AI-related fraud risks in future 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 | 0,055 | 0,087 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,010 | 0,004 |
| Communication savante | 0,006 | 0,005 |
| Science ouverte | 0,004 | 0,008 |
| Intégrité de la recherche | 0,002 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,010 | 0,003 |
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 ».