Non-participation in clinical research: Barriers, motivators, and recruitment strategies in an ovarian cancer study
Notice bibliographique
Résumé
Clinical studies have made significant contributions to disease prevention, early diagnosis, and new therapies for many diseases, including cancer.However, recruitment of participants is a major challenge in clinical studies on cancer; older adults, minorities, rural residents, and individuals of lower socio-economic status are traditionally difficult to enroll, despite these would like to express my sincere gratitude to my primary supervisor, Dr. Olga Basso, who is abundantly helpful and offers invaluable assistance, support and guidance throughout the duration of my study.I appreciate her vast knowledge and skill in many areas, her assistance in academic writing (i.e., scholarship applications and manuscripts), as well as academic and emotional assistance through the rough road to finish this thesis.Her door is always open to me, and my learning is always her priority.Moreover, I would like to thank Dr. Lucy Gilbert, my cosupervisor, for giving me the opportunity to conduct this study in the context of the large ongoing Diagnosing Ovarian cancer Early (DOvE) Study and providing me financial support, as well as assistance at all levels of the research project.Dr. Basso and Dr. Gilbert are my best role models as scientists, mentors and teachers.I also would like to thank the member of my supervisory committee, Dr. Antonio Ciampi, for his time and statistical advice on my project.I also wish to thank Dr. Jay Kaufman for his epidemiologic and statistical advice regarding my study.Dr. Rebecca Fuhrer has always helped me in the most difficult times during my study
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 | 0,166 | 0,267 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,004 | 0,003 |
| Communication savante | 0,005 | 0,002 |
| Science ouverte | 0,002 | 0,005 |
| Intégrité de la recherche | 0,002 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 ».