超越假冒参与者的红旗:一种新的选策略来提高数据完整性
Yan S Zhu1, Abigail Wilpers2,3, Kara L Hansen4
1School of Social Work, Rutgers University, New Brunswick, NJ, USA.
Qualitative health research
|July 30, 2025
概括
为了保护健康研究的完整性,本研究提出了一个结构化数据验证策略. 它涉及与参与者联系以确认真实性,保护定性数据质量免受欺骗者偏见的影响.
科学领域:
- 医疗保健服务研究 医疗服务研究
- 定性研究方法论 定性研究方法论
- 数据完整性 数据完整性
背景情况:
- 卫生研究数据的完整性对于为实践和政策提供信息至关重要.
- 受访者激励措施可以吸引骗子参与者,从而损害定性数据的可信性和可转移性.
- 现有的识别欺骗者的方法缺乏关于数据排除/保留的系统指导.
研究的目的:
- 提出一个结构化的数据验证策略,以应对卫生研究中的假冒参与者.
- 提高定性数据的可信度和可转移性.
- 为管理涉嫌欺骗者提供的数据提供指导.
主要方法:
- 开发了一个结构化的数据验证策略,该策略基于对疑似早期欺骗者的研究.
- 建议追溯参与者联系以确认真实性,而无需重新请求私人健康信息.
- 建议主动应用这种方法作为一个增强的面试前选过程.
主要成果:
- 拟议的战略提供了一个系统的方法来验证数据,当假冒者被怀疑.
- 追溯和主动联系方法可以提高数据完整性.
- 这种方法旨在保护定性数据的质量,尽管面临挑战.
结论:
- 一个结构化的数据验证策略,包括参与者重新联系,对于保持健康研究完整性至关重要.
- 这种方法有助于减轻骗子参与者对定性数据构成的威胁.
- 实施这些验证流程,无论是追溯的还是主动的,都会加强研究结果的整体可靠性.
