Body-Map Storytelling as a Health Research Methodology: Blurred Lines Creating Clear Pictures
Notice bibliographique
Résumé
In this article we review the literature on body-mapping (BM) as an approach to health research in order to systematize recent advancements and to contribute to its development. We conducted a critical narrative synthesis of the literature published until September 2016 guided by two questions: 1. How has BM been utilized in health research? 2. How does BM advance a decolonization agenda? Twenty-seven studies in English, Spanish, and Portuguese were analyzed. Most of them were published between 2011 and 2016 and were conducted in South Africa, Canada, Australia, Brazil, Chile, and USA. They narrate stories of marginalized groups and commonly focus on the social determinants of health. Data generation, analysis, and knowledge mobilization strategies differ considerably. Recent developments show that body-mapping is a visual, narrative, and participatory methodology that has several names and is used unevenly by health researchers. Despite its diversity, core methodological elements reveal that participants are considered knowledgeable, reflexive individuals who can better articulate their complex life journeys when painting and drawing their bodies and social circumstances. The decolonization of health research occurs when these unlikely protagonists tell their stories producing counter-hegemonic discourses to exclusionary capitalist, patriarchal and colonialist rationalities. We call this methodology body-map storytelling.
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 | 0,037 | 0,055 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,008 | 0,007 |
| Études des sciences et des technologies | 0,005 | 0,020 |
| Communication savante | 0,012 | 0,015 |
| Science ouverte | 0,002 | 0,010 |
| Intégrité de la recherche | 0,003 | 0,003 |
| 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 ».