Surveying people with disabilities: Insights on methods and challenges
Notice bibliographique
Résumé
• Advisory Board with disabilities improved survey clarity, accessibility, and relevance. • Modular surveys and accessible formats reduces fatigue and improve data quality. • Diverse recruitment strategies and community partnerships enhance representation and trust. • Fair compensation is vital, but must be balanced with fraud prevention and benefit eligibility concerns. • Transportation research must redefine “accessibility” to reflect real-world barriers faced by people with disabilities. A fundamental challenge in researching people with disabilities lies in the difficulty collecting data representing the lived experience of people with disabilities – this is particularly true with intersectional research on the built environment, transportation, activities of daily community living (ADCLs), and well-being. There are two primary reasons for this data gap: 1) inherent challenges in surveying people with disabilities, and 2) limitations of existing public datasets, which often fail to capture the vast experiences of people with disabilities, particularly in relation to transportation, the built environment of communities, and people with disabilities’ activities of daily community living. This paper provides a reflection on the challenges of gathering survey data from people with disabilities, which leads to these information gaps that are common in disability research. These insights arise from reflecting on a significant interdisciplinary research project undertaken by the authors, including data collection efforts, sampling and data collection methodology, analyzing challenges arising from current survey technologies, and partnering with individuals with disabilities in a meaningful way that acknowledged the importance of their lived experience. Key lessons learned from these data-gathering efforts include the importance of inclusive survey design, effective recruitment strategies, and robust data validation. By highlighting these lessons, this paper aims to improve future disability research and contribute to future data collection efforts that are more inclusive and effective.
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 | 0,189 | 0,174 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,002 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,008 | 0,009 |
| Études des sciences et des technologies | 0,006 | 0,013 |
| Communication savante | 0,016 | 0,019 |
| Science ouverte | 0,005 | 0,008 |
| Intégrité de la recherche | 0,005 | 0,007 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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; 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 ».