Words, Camera, Music, Action: A Methodology of Digital Storytelling in a Health Care Setting
Notice bibliographique
Résumé
In this technological age, storytelling is moving from oral and written to digital formats, creating many methodological opportunities for researchers and practitioners. This article explores a specific genre of participatory media production, digital storytelling (DST), which could be a valuable research tool to describe, analyze, and understand the experiences of research participants. Digital stories (DS) are short movies that use images, videos, a voice-over, and various video editing techniques to share an important story from the participant’s life. In a health care setting, DS can be used as knowledge translation tools for education and advocacy, as data to be analyzed in the research process, or as a therapeutic intervention, in any combination, depending on the intent of the project. Although an increasing number of health-related research studies indicate using DST, or some variation of it, there is a glaring paucity of methodologically focused manuscripts in the health care literature. This article delineates and describes four primary phases of DST in a health care context as finding the story, telling the story, crafting the story, and sharing the story. Both the creative and technical considerations of DST facilitation are elucidated through specific examples and practical concepts. By drawing from diverse literature such as narratology, film, and psychotherapy, and exploring new creative tools and ideas to help research participants convey meaning, this article provides a starting point for qualitative researchers to explore the use of DST in their own contexts.
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 | 0,018 | 0,018 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,004 | 0,003 |
| Études des sciences et des technologies | 0,007 | 0,025 |
| Communication savante | 0,010 | 0,007 |
| Science ouverte | 0,003 | 0,011 |
| Intégrité de la recherche | 0,003 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,005 | 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 ».