Taking sides with patients using institutional ethnography
Notice bibliographique
Résumé
Purpose The main purpose of this paper is to document the first author's experience of using institutional ethnography (IE) to “take sides” in healthcare research. The authors illustrate the points with data and key findings from a study of cardiovascular disease prevention. Design/methodology/approach The authors use Dorothy E Smith's IE approach, and particularly the theoretical tool of “standpoint”. Findings Starting with the development of the study, the authors trouble the researcher's positionality, highlighting tensions between institutional knowledge of “prevention” and other locations where knowledge about patients' health needs materialises. The authors outline how IE's theoretically and methodologically integrated toolkit became a framework for “taking sides” with patients. They describe how the researcher used IE to take a standpoint and map institutional relations from that standpoint. They argue that IE enabled an innovative analysis but also reflect on the challenges of conducting an IE – the conceptual unpicking and (re)thinking, and demarcating boundaries of investigation within an expansive dataset. Originality/value This paper illustrates IE's relevance for organisational ethnographers wishing to find a theoretically robust approach to taking sides, and suggests ways in which the IE approach might contribute to improving services, particularly healthcare. It provides an illustration of how taking a patient standpoint was accomplished in practice, and reflects on the challenges involved.
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 | 0,047 | 0,053 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,004 | 0,002 |
| Études des sciences et des technologies | 0,008 | 0,017 |
| Communication savante | 0,008 | 0,010 |
| Science ouverte | 0,003 | 0,012 |
| Intégrité de la recherche | 0,002 | 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 ».