Cultivating the Under-Mined: Cross-Case Analysis as Knowledge Mobilization
Notice bibliographique
Résumé
Despite a plethora of case studies in the social sciences, it is the authors' opinion that case studies remain relatively under-mined sources of expertise. Cross-case analysis is a research method that can mobilize knowledge from individual case studies. The authors propose that mobilization of case knowledge occurs when researchers accumulate case knowledge, compare and contrast cases, and in doing so, produce new knowledge. In this article, the authors present theories of how people can learn from sets of cases. Second, existing techniques for cross-case analysis are discussed. Third, considerations that enable researchers to engage in cross-case analysis are suggested. Finally, the authors introduce a novel online database: the Foresee (4C) database. The purpose of the database is to mobilize case knowledge by helping researchers perform cross-case analysis and by creating an online research community that facilitates dialogue and the mobilization of case knowledge. The design of the 4C database is informed by theories of how people learn from case studies and cross-case analysis techniques. We present evidence from case study research that use of the 4C database helps to mobilize previously dormant case study knowledge to foster greater expertise. URN: urn:nbn:de:0114-fqs0801348
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 | 0,126 | 0,147 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,002 | 0,001 |
| Bibliométrie | 0,014 | 0,010 |
| Études des sciences et des technologies | 0,006 | 0,026 |
| Communication savante | 0,024 | 0,037 |
| Science ouverte | 0,006 | 0,020 |
| Intégrité de la recherche | 0,005 | 0,005 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,006 | 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 ».