Learning from our Multi-Stage Collaborative Autoethnography
Notice bibliographique
Résumé
This article is a reflection on eight, then seven, now five women’s collaborative efforts to explore the development of our own leader identities. While each of us conducts research on women and leadership, we are a diverse group of women: we were born in three different countries (United States, Paraguay, and New Zealand) and currently live in three different countries (United States, Canada, and New Zealand). We are of diverse races, sexual orientations, and generations; we have leadership experiences in a variety of disciplines and industries; and we vary in the priority we place on this study. In this paper, we review our experiences conducting research during the first three plus years of our collaborative autoethnographic study and share what we learned from those experiences. We address previously published considerations for developing collaborative autoethnographies including: the number of participants involved; the extent of involvement of the participants and the level of collaboration during the study; the collaborative approaches used in the study; and the approaches to writing. We add a reflection on our leadership practices throughout the study and on the confidentiality challenges that emerged. We also discuss how our division of the study into multiple life stages and multiple projects within the life stages has influenced our experiences and how the challenges resulting from the long duration of our study have influenced our productivity and are expected to influence our future plans. Our lessons learned should prove useful as other autoethnographic research groups begin their own research processes.
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 | 0,007 | 0,004 |
| 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 | 0,005 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 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 ».