Combining Qualitative and Quantitative Data Collection and Analysis Methods in Understanding Multiple Sclerosis Fatigue Management
Notice bibliographique
Résumé
Combining qualitative inquiry with quantitative frequency data in a mixed methods research approach was valuable in understanding the strategies that people with Multiple Sclerosis (MS) used to manage their fatigue. Understanding its management is important because fatigue is often described by people with MS as their most disabling symptom and can pervade all aspects of a person's life. This research aimed to identify how often people used particular fatigue management strategies and the factors that influenced their use in the context of daily life. The methodology was Qualitative Description with phenomenological overtones using convenience sampling, interviews with semi-structured and structured components, and frequencies combined with typology development. Thirty-one people with MS from Chicago, Ill and Brisbane, Queensland in Australia who experienced fatigue were interviewed and asked to sort 15 cards with common fatigue management strategies into 3 categories, indicating whether they used them regularly, sometimes or never. Frequency counts were used to identify the number of participants who placed a specific strategy in a particular category. Frequencies were used to develop a typology with which to code the qualitative data. The strategies placed most frequently in each category were: Plan / organize the day used regularly, Ask someone for help used sometimes, and Use mobility devices never used. Mixed methods research techniques enabled us to explore the participants' fatigue management in greater depth. Each data type (i.e., qualitative and quantitative data) complemented the other and led to a richer understanding than either could provide in isolation.
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 distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,025 | 0,005 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 tête enseignante, 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 ».