基于自适应在线问卷的自我中心网络数据收集与家庭整体网络整合方法研究

《BMC Medical Research Methodology》：Advancing efficient egocentric network data collection in behavioral health research: lessons from an adaptive online social network survey

　　

摘要

背景

社会网络分析（SNA）在行为健康研究中具有重要价值，但由于参与者负担、可扩展性挑战以及网络规模的变异性，严谨的自我中心数据收集仍然有限。面对面访谈能提供详细的数据，但耗费大量资源；而网络问卷调查则具有良好的可扩展性，但需要精心设计以确保可用性和数据质量。本研究提供了一个应用案例，展示了开发和实施在线问卷以高效收集自我中心网络数据的过程，并作为次要的方法学贡献，提出了一种将多个家庭成员独立收集的报告整合为家庭整体网络的方法。

方法

本研究是"通过家庭主导促进支持家庭健康"（SHAYP）研究的一部分。基于Qualtrics平台的问卷纳入了自适应逻辑、结构化回答格式和跳转模式。参与者识别关键社交联系，并提供关于关系类型、健康影响和互动频率的关系数据。结构化设计便于将自我中心网络整合为更广泛的家族整体结构。我们详细阐述了提高可用性、减少负担和最大化数据质量的策略，为将SNA整合到基于网络的行为健康研究中的研究人员提供了实用见解。

结果

共有来自36个家庭的116名参与者完成了问卷。在个体层面，参与者识别了2至10位重要人物（平均值 = 4.1，标准差 = 2.2）；在整合每个家庭内部重叠报告后，家族整体网络包括4至20名唯一个体（平均值 = 9.5，标准差 = 4.3）和6至202个有向二元关系（平均值 = 31.7，标准差 = 26.0）。大多数参与者（94.8%）自行填写问卷，完成时间的中位数为20.1分钟。动态问题定制、结构化节点识别和针对性冗余减少等设计旨在支持数据质量的同时最小化负担。

结论

本研究展示了一种用于自我中心网络数据收集的结构化、自适应在线问卷，并提供了一种整合多受访者家庭网络数据的示例方法。未来调查工具的进展，如交互式网络可视化和人工智能辅助分析，可能进一步增强数据收集的实用性和严谨性。