The applicability of generalisability and bias to health professions education's research
Notice bibliographique
Résumé
CONTEXT: Research in health professions education (HPE) spans an array of topics and draws from a diversity of research domains , which brings richness to our understanding of complex phenomena and challenges us to appreciate different approaches to studying them. To fully appreciate and benefit from this diversity, scholars in HPE must be savvy to the hallmarks of rigour that differ across research approaches. In the absence of such recognition, the valuable contributions of many high-quality studies risk being undermined. METHODS: In this article, we delve into two constructs---generalisability and bias--that are commonly invoked in discussions of rigour in health professions education research. We inspect the meaning and applicability of these constructs to research conducted from different paradigms (i.e., positivist and constructivist) and orientations (i.e., objectivist and subjectivist) and then describe how scholars can demonstrate rigour when these constructs do not align with the assumptions underpinning their research. CONCLUSIONS: A one-size-fits-all approach to evaluating the rigour of HPE research disadvantages some approaches and threatens to reduce the diversity of research in our field. Generalisability and bias are two examples of problematic constructs within paradigms that embrace subjectivity; others are equally problematic. As a way forward, we encourage HPE scholars to inspect their assumptions about the nature and purpose of research-both to defend research rigour in their own studies and to ensure they apply standards of rigour that align with research they read and review.
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 enseignantsNi 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.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,005 | 0,041 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
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.
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 tête enseignante, 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 ».