MétaCan
Menu
Retour à la cohorte
Enregistrement W3082641876 · doi:10.16995/dscn.328

Tagging My Tears and Fears: Text-Mining the Autoethnography

2020· article· en· W3082641876 sur OpenAlexaffvenue
Sonja Sapach

Notice bibliographique

RevueDigital Studies / Le champ numérique · 2020
Typearticle
Langueen
DomaineSocial Sciences
ThématiqueQualitative Research Methods and Ethics
Établissements canadiensUniversity of Alberta
Organismes subventionnairesnon disponible
Mots-clésAutoethnographyReflexive pronounComputer scienceContext (archaeology)NarrativePsychologyWorld Wide WebLiteratureArtSociologyHistory

Résumé

récupéré en direct d'OpenAlex

This article, which was presented for the first time at CSDH/SCHN 2018, outlines a mixed methodology that combines digital text-mining techniques, like XML tagging and topic modelling, with autoethnography. In this article, I describe my intimate and rocky relationship with my data, referred to as my “life-as-text.” As someone who has Complex Post Traumatic Stress Disorder, I have an extremely difficult time putting many of the events of my life into situational and linear context. The process of formally tagging my data requires me to overcome psychological blocks that have been created as defense mechanisms; thus, allowing me to honestly read and create associations in my dissociated “life-as-text.” Conducting a macroanalysis of data that was gathered through both journaling, and the recording and transcription of “let’s play” videos, has given me a new lens through which to view myself and my experiences. I see myself in my data. I see myself in ways that I cannot otherwise put into words. Text-mining my deepest memories and emotions provides me with an odd sense of stability in a seemingly chaotic assortment of words. In this article, I explain my autoethnographic journey and the powerful impact that digital text-mining has had on my relation to myself and my research. Abstrakt Cet article, qui a été premièrement présenté à CSDH/SCHN 2018, décrit une méthodologie mixte qui marie des techniques numériques de la fouille de texte, tels que le marquage XML et la modélisation thématique, et l’auto-ethnographie. Dans cet article, je décris ma relation intime et difficile avec mes données, ce que je nomme ma « vie en tant que texte ». En tant qu’une personne ayant le Syndrome de stress post-traumatique complexe, j’ai d’énormes difficultés à contextualiser d’une façon situationnelle et linéaire beaucoup des évènements de ma vie. Le processus de marquage formel de mes données m’exige de surmonter des blocages psychologiques qui ont été créés comme mécanismes de défense, me permettant de lire honnêtement et de développer des associations dans ma « vie en tant que texte » dissociée. Effectuer une macroanalyse de données, qui ont été récoltées à travers la tenue d’un journal, ainsi qu’à travers l’enregistrement et la transcription de vidéos « jouons » (“let’s play”), m’a offert une nouvelle perspective par laquelle je me considère et par laquelle je considère mes expériences. Je me vois dans mes données. Je me vois d’une façon dont je ne trouve pas les mots pour le décrire. La fouille de textes de mes souvenirs et de mes émotions les plus profondes me fournit une sensation étrange de stabilité au sein d’une gamme de mots qui est chaotique en apparence. Dans cet article, j’explique mon parcours auto-ethnographique et l’impact important qu’a eu la fouille de textes sur ma relation avec moi-même et avec ma recherche. Mots-clés: Autoethnographie; Modélisation de sujets; XML; Méthodologies mixtes; Exploration de texte; Aliénation; SSPT-complexe

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,016
score de la tête « metaresearch » (Gemma)0,043
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesMétarecherche
Catégories consensuellesaucune
DomaineSignal candidat: Méthodes · Signal consensuel: aucune
Devis d'étudeSignal candidat: Qualitatif · Signal consensuel: Qualitatif
GenreSignal candidat: Méthodes · Signal consensuel: aucune
Score de désaccord entre enseignants0,984
Score d'incertitude au seuil0,087

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0160,043
Méta-épidémiologie (sens strict)0,0010,001
Méta-épidémiologie (sens large)0,0010,001
Bibliométrie0,0040,004
Études des sciences et des technologies0,0030,006
Communication savante0,0080,008
Science ouverte0,0020,006
Intégrité de la recherche0,0010,002
Charge utile insuffisante (le modèle a refusé de juger)0,0040,002

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 Opus0,212
Tête enseignante GPT0,453
Écart entre enseignants0,240 · 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 source (Gemma direct ou Codex distillé), pas un consensus.

Devis d'étudeQualitatif
DomaineMéthodes
GenreMéthodes

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

En bref

Citations2
Publié2020
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revueDigital Studies / Le champ numériqueMême sujetQualitative Research Methods and EthicsTravaux en français237 207