Ten tips for conducting focused ethnography in medical education research
Notice bibliographique
Résumé
Background: Medical education researchers increasingly use qualitative methods, such as ethnography to understand shared practices and beliefs in groups. Focused ethnography (FE) is gaining popularity as a method that examines sub-cultures and familiar settings in a short time. However, the literature on how FE is conducted in medical education is limited.Aim: This paper provides 10 practical tips for conducting FE in medical education research.Methods: The tips were developed based on our expertise in ethnographic research and existing literature.Results: The 10 tips include: (1) Know the difference, (2) Build relationships before you start, (3) Have shared purpose and knowledge translation strategies with your stakeholders (4) Practice being reflexive, (5) Align research question with methodology, (6) Prepare your fieldwork, (7) Use a variety of methods for data collection, (8) Consider context on micro, meso, and macro levels, (9) Use triangulation, and (10) Provide a ‘thick description’,Conclusions: These 10 tips give practical guidance to medical educators in thinking about how and when to conduct FE.
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 | 0,249 | 0,429 |
| Méta-épidémiologie (sens strict) | 0,005 | 0,003 |
| Méta-épidémiologie (sens large) | 0,002 | 0,003 |
| Bibliométrie | 0,007 | 0,006 |
| Études des sciences et des technologies | 0,007 | 0,014 |
| Communication savante | 0,013 | 0,020 |
| Science ouverte | 0,005 | 0,015 |
| Intégrité de la recherche | 0,011 | 0,022 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,012 | 0,010 |
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 ».