MétaCan
Menu
Retour à la cohorte
Enregistrement W2901188531 · doi:10.46743/2160-3715/2018.3135

Enhancing Meaning-Making in Research through Sensory Engagement with Material Objects

2018· article· en· W2901188531 sur OpenAlexaff
Susan Cox, Marilys Guillemin

Notice bibliographique

RevueThe Qualitative Report · 2018
Typearticle
Langueen
DomaineNeuroscience
ThématiqueOlfactory and Sensory Function Studies
Établissements canadiensUniversity of British Columbia
Organismes subventionnairesnon disponible
Mots-clésSalientPsychologyQualitative researchMeaning (existential)Visual researchComputer scienceSociologyVisual artsArtificial intelligence

Résumé

récupéré en direct d'OpenAlex

There has been increasing awareness and interest in the role of the senses in qualitative research. We build on this work by focusing on the use of material objects in research. Using material objects in qualitative research, particularly those selected by research participants, offers a different kind of engagement that can add richness and complexity to the knowledge generated. Material objects can either be participant-selected or researcher-selected, each having its own benefits and challenges. Using examples, we explore how participants sensorially engage with these objects, using visual, auditory, olfactory, and tactile means. This engagement with material objects, particularly those that are personally meaningful to participants, is useful when examining research topics that may be sensitive or abstract; it offers the potential for participants to identify salient associations and/or express what may be otherwise unsayable. We discuss practical strategies in using material objects as well as the ethical challenges and possible products of such 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 distillée sur la base complète

Imitation des enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,006
score de la tête « metaresearch » (Gemma)0,004
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Expérimental (laboratoire) · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,364
Score d'incertitude au seuil0,725

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0060,004
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0010,001
Communication savante0,0000,000
Science ouverte0,0000,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

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.

Tête enseignante Opus0,664
Tête enseignante GPT0,542
Écart entre enseignants0,122 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeExpérimental (laboratoire)
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations12
Publié2018
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueThe Qualitative ReportMême sujetOlfactory and Sensory Function StudiesTravaux en français237 207