Qualitative data collection: considerations for people with Aphasia
Notice bibliographique
Résumé
Background: Investigators are increasingly using qualitative research methods in studies with people with aphasia. While most qualitative research has relied on the pragmatic method of inquiry, and methods reliant on verbal communication such as interviews, there exists a gap in the literature on how to use these methods with people with communication impairments such as aphasia.Aims: This paper aims to be a starting point for researchers new to qualitative research wanting to learn about how to collect qualitative data from people with aphasia. A secondary aim is to encourage researchers to report the creative ways in which they manage the communication challenges presented by people with aphasia in data collection.Main Contribution: This tutorial provides an overview of qualitative data collection methods and adjustments for making them aphasia-friendly, including interview and alternative interviewing methods, focus groups, observation, and photovoice. Each data collection method is discussed in the context of ethical and logistical considerations specific to people with aphasia.Conclusions: Qualitative data collection with people with aphasia can be challenging due to their communication difficulties, but when done properly researchers can help people with aphasia get their stories and perspectives into the world.
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 | 0,568 | 0,507 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,004 |
| Méta-épidémiologie (sens large) | 0,004 | 0,003 |
| Bibliométrie | 0,008 | 0,008 |
| Études des sciences et des technologies | 0,023 | 0,037 |
| Communication savante | 0,018 | 0,021 |
| Science ouverte | 0,009 | 0,017 |
| Intégrité de la recherche | 0,010 | 0,013 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,012 | 0,004 |
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 ».