Empty Houses, Loose Dogs, and Engaged Citizens: Lessons Learned From Community Participatory Data Collection in Rural Areas
Notice bibliographique
Résumé
Rural surveys tend to oversample easy to reach populations, which can misrepresent community health needs. To achieve baseline data reflective of the communities served by the high obesity program (HOP), an innovative evaluation plan was created to prioritize equity and reflect the whole community. Principles of Community-Based Participatory Research (CBPR) were used to guide instrument development, research protocols, and data collection. A random sample of addresses created with United States Postal Service records provided a representative list of addresses in three HOP counties in Louisiana. Local data collectors were recruited to go door to door at the selected addresses to collect in-person surveys (N = 682; response rate of 84%). Over a quarter of participants reported using the charitable food system and walking for transportation at least weekly. Collecting door to door data in rural communities presents unique challenges, including abandoned properties, inaccurate address records, loose dogs, and at times, racial tensions and houses far removed from public roads. Lessons learned include the importance of local knowledge, adapting protocols to fit local conditions, and community awareness of the survey. Health practitioners need confidence when they are making data-based decisions about interventions, and one way to provide this confidence is to collect data from a true cross-section of the community. With a plan and in partnership with community members, a probability sample is feasible to collect in rural communities.
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 | 0,345 | 0,279 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,002 |
| Méta-épidémiologie (sens large) | 0,002 | 0,002 |
| Bibliométrie | 0,004 | 0,005 |
| Études des sciences et des technologies | 0,010 | 0,019 |
| Communication savante | 0,014 | 0,016 |
| Science ouverte | 0,009 | 0,012 |
| Intégrité de la recherche | 0,005 | 0,009 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,001 |
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 ».