Effective Recruitment and Retention in a Longitudinal Panel Natural Experiment: The Study of Active Neighborhoods in Detroit (StAND)
Notice bibliographique
Résumé
Objectives: Due to the limited evidence on recruitment and retention for longitudinal panel and natural experiments, we utilize findings from a natural experiment to identify barriers encountered, effectiveness of strategies employed, and recommendations. Methods: We evaluated recruitment strategies (doorto‐door contact, postcards, park events, mailed materials, provision of health results to participants, study branding, and participant compensation) and retention efforts (home visits, provision of contact information, birthday and holiday cards, newsletters, phone calls, and engaging with community supporters). We also recorded staff’s reported barriers each year. Results: Recruitment barriers included extreme weather, participant non-response, and high neighborhood vacancy. Door‐to‐door canvassing was the most and park events were the least successful methods for recruiting participants with multiple waves of data. Overall, 18% of participants were lost‐to‐follow‐up, which was highest for those recruited via park events from control neighborhoods (6.9%). For intervention neighborhoods, recruits from park events and from door‐to‐door canvassing had similar lost‐to‐follow‐up (2.9%). Withdrawal rates were low (2%); our retention strategies likely aided in this. Conclusions: We recommend: 1) varied in-person recruitment methods; 2) repeated participant contact through various means (e.g., text, mail); 3) study branding, 4) demographic diversity of staff; and 5) offering a range of participation levels.
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 | 0,039 | 0,018 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,004 | 0,002 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,002 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 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 ».