Different Approaches to Cross-Lingual Focus Groups
Notice bibliographique
Résumé
Focus groups are a useful data-generation strategy in qualitative health research when it is important to understand how social contexts shape participants’ health. However, when cross-lingual focus groups are conducted across cultural groups, and in languages in which the researcher is not fluent, questions regarding the usefulness and rigor of the findings can be raised. In this article, we will discuss three different approaches to cross-lingual focus groups used in a community-based participatory research project with pregnant and postpartum, African immigrant women in Alberta, Canada. In two approaches, we moderated focus groups in women’s mother tongue with the support of real-time interpreters, but in the first approach, audio recording was used and in the second approach, audio recording was not used. In the third approach, a bilingual moderator facilitated focus groups in women’s mother tongue, with transcription and translation of audio-recorded data upon completion of data generation. We will describe each approach in detail, including their advantages and challenges, and recontextualize what we have learned within the known literature. We expect the lessons learned in this project may assist others in planning and implementing cross-lingual focus groups, especially in the context of community-based participatory research.
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 | 0,174 | 0,174 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,002 |
| Méta-épidémiologie (sens large) | 0,001 | 0,003 |
| Bibliométrie | 0,007 | 0,007 |
| Études des sciences et des technologies | 0,009 | 0,014 |
| Communication savante | 0,007 | 0,010 |
| Science ouverte | 0,006 | 0,014 |
| Intégrité de la recherche | 0,005 | 0,006 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,013 | 0,003 |
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 ».