Bringing Socio-Narratology and Visual Methods to Focus Group Research
Notice bibliographique
Résumé
Informed by narrative inquiry, this chapter makes a unique contribution to the theorizing of focus groups. It uses empirical data from research into perceptions of physically active older adults across the life course to critically examine the work that stories can do within a focus group setting. According to Frank (2010), the work of stories is to animate human life by working with people, for people, and always on people. Conceptualizing stories as active social interactions, which are heard and responded to, calls for a new way to collect, share, think about and study them. This approach, which Frank terms socio-narratology, aims to understand what the story does, rather than understand the story as a portal into the mind of the storyteller. Our chapter reports on the analysis of group meetings, which were undertaken with a total of twelve naturally occurring groups representing different stages of the life course. The focus group meetings involved sharing a range of visual material (photography and film), which represented the lived experiences of physical activity amongst a group of older adults. The stories conveyed through these visual stimuli worked with, for, and on the focus group participants, eliciting a range of responses that were imbued with stereotypes, contradictions and episodes of reflexivity. The value of adopting a socio-narratology approach to theorize focus groups, along with the innovative use of various visual data to examine ‘narratives at work’ is discussed.
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) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,002 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 ».