Mixed methods data collection using ipads: experiences from the Translating Emergency Knowledge for Kids (TREKK) project
Notice bibliographique
Résumé
In Canada, the majority of children requiring emergency care are treated in general emergency departments (EDs). Evidence shows that up to 40% of children treated in general EDs do not receive treatments for which clear evidence exisits and up to 20% of these children receive a treatment that has been shown to provide no benefit or even causes harm. The Translating Emergency Knowledge for Kids (TREKK) project is aimed at ensuring the latest research in pediatric emergency medicine is applied in general EDs. In the first phase of TREKK, we have partnered with 35 general EDs across Canada to determine knowledge needs and preferences of ED healthcare providers and families seeking care. In this mixed methods study, healthcare professionals and parents seeking care for their children will complete electronic surveys via a custom iPad ‘app.’ SPSS will be used to analyze questionnaire data. Sites will also be purposively sampled to participate in qualitative data collection. The camera, video, notes, and voice memo iPad functions will be used to document the general ED experiences of both populations and serve as prompts during individual interviews, which will be analyzed thematically. The creation of the data collection tools, the electronic platform, and attending to research ethics boards/operational approval boards has been a complex and labour intensive processes. We believe novel technology increases participant engagement and enhances large scale data collection; however, in our experience, it was necessary to rethink traditional approaches to research coordination and administration. We intend to share ‘lessons learned’ from TREKK.
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 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 | 0,002 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,003 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 tête enseignante, 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 ».