Conference Report: Teaching Against the Grain: The Challenges of Teaching Qualitative Research in the Health Sciences. A National Workshop on Teaching Qualitative Research in the Health Sciences
Notice bibliographique
Résumé
This essay reflects on the proceedings of an invitational workshop on the nature and challenges of teaching qualitative research (QR) in health science settings. The context of this workshop is the increasing interest in QR in the health sciences and the inadequacy of pedagogy and institutional support for QR. We argue that there are special problems associated with teaching in an environment that embraces numerically based forms of knowledge and marginalizes unconventional research. Changes in the health research environment (e.g. applied research funding) and in the university environment (e.g. faster and briefer training) do not mesh easily with core premises of QR and can have a homogenizing, "dumbing down" effect on teaching. Teaching across wide disciplinary and professional divides, and among students with little or no social theory, can promote teaching QR as procedure, and at the lowest common denominator. Teachers must deal with the disruptive effects on students and other faculty of the critical dimensions of QR, and manage the structural constraints and political demands of thesis supervision. Despite the challenges of teaching "against the grain," the rewards and promise of teaching qualitative research in such environments remain, and we call for further discussion and leadership in this area. URN: urn:nbn:de:0114-fqs0502427
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 | 0,119 | 0,115 |
| Méta-épidémiologie (sens strict) | 0,003 | 0,002 |
| Méta-épidémiologie (sens large) | 0,002 | 0,004 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,015 | 0,007 |
| Communication savante | 0,017 | 0,013 |
| Science ouverte | 0,009 | 0,027 |
| Intégrité de la recherche | 0,020 | 0,035 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,034 | 0,013 |
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 ».