Doing Participatory Action Research in a Multicase Study
Notice bibliographique
Résumé
In this article, we describe an approach for conducting participatory action research (PAR) in a longitudinal multicase study, with particular focus on cross-case analysis. Existing literature has documented the practice of PAR in single-case studies, but far less has been written on how to conduct PAR across multiple cases. There is also a need for instructional examples of multicase study application, particularly methods of cross-case analysis. In PAR, research methods—including data analysis methods—have the power to shape participant inclusion or exclusion, involvement or attrition, and mobilization of knowledge in real time. In response to these challenges, we discuss the analysis methods used in a PAR study of health leadership in Canada. The project, which consisted of six case studies of leadership in major health system change, involved health leaders as collaborators. We address the challenges of doing PAR with collaborators facing time limitations and suggest a project structure for involving collaborators at critical junctures. We present a detailed, two-part method for conducting cross-case data analysis. Our method involved targeted collaborator involvement in data interpretation while also ensuring faithfulness to the coded data. We describe our process for mobilizing study findings through a deliberative dialogue with health leaders.
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 | 0,297 | 0,211 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,002 |
| Méta-épidémiologie (sens large) | 0,002 | 0,002 |
| Bibliométrie | 0,005 | 0,004 |
| Études des sciences et des technologies | 0,013 | 0,013 |
| Communication savante | 0,010 | 0,012 |
| Science ouverte | 0,004 | 0,018 |
| Intégrité de la recherche | 0,004 | 0,007 |
| 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 ».