Taking the MINI to Mustang, Nepal: methodological and epistemological translations of an illness narrative interview tool
Notice bibliographique
Résumé
Illness narratives and explanatory models have been a research focus for the discipline of medical anthropology for decades. In recent years, standardized qualitative research tools have been developed to elicit illness narratives as a means of conducting socio-cultural analysis and as a springboard for health-related interventions - particularly with reference to communities experiencing rapid socioeconomic transition or those in which trauma has been experienced. Nevertheless, gaps persist in terms of the latent methodological and epistemological challenges of translating and transplanting such research tools to new contexts. This paper chronicles the adaptation of the McGill Illness Narrative Interview (MINI) for use in the culturally Tibetan region of Mustang, Nepal. This analysis is based on 44 in-depth interviews using an adapted version of the MINI to elicit narratives about experiences of illness. The MINI proved to be a compelling research tool, particularly in terms of engaging research assistants in the field. Yet its deployment in a context where distinctions between individual and social suffering can be blurred, where the dichotomization of 'religion' and 'medicine' makes little sense, and where understandings of causality are rooted in the concept of karma, revealed the extent to which the MINI - and, by extension other such qualitative research tools - emerges from particular models of narrative construction and assumptions about the relationships between self and other, cause and effect. Concluding recommendations are made regarding the adaptation of this tool to other settings.
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 | 0,002 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,002 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,005 | 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 ».