Animated Analysis: Drawing Deeper Analytical Insights From Qualitative Data
Notice bibliographique
Résumé
While participant-created drawings in arts-based health research, used as a process of producing knowledge are well known, similar approaches with researcher-created drawings are less common. This article describes the journey of how researcher-created drawings as an arts-based analytical approach helped a novice researcher to draw deeper into the interpretive process. Emerging from a positivist paradigm, a proceduralist understanding of the qualitative methods was readily grasped by this researcher, but developing reflexivity and deep analytical insights required facilitation. An overarching interpretivist qualitative approach that aligns with Gadamerian philosophical hermeneutics was used to analyze participant observation data (field notes, researcher-created drawings) of decision-making encounters between families of youth with brachial plexus birth injuries and the health care team in the clinic setting. Drawing acted as an analytical catalyst such that the task of creating a visual product helped this researcher to look beyond descriptive, factual and procedural information in participant observation data. Drawing created spontaneity that fostered freedom to interpret, while hermeneutic reflection created self-dialogue about understandings that arose from all data sources. Reflexivity was cultivated through deliberating on the creative process that resulted in choices of composition and content to represent the observed sessions. Drawing can help qualitative researchers animate their analyses through a visible and accountable method of constructing new knowledge.
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 | 0,093 | 0,113 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,002 |
| Bibliométrie | 0,009 | 0,005 |
| Études des sciences et des technologies | 0,006 | 0,019 |
| Communication savante | 0,013 | 0,013 |
| Science ouverte | 0,003 | 0,010 |
| Intégrité de la recherche | 0,003 | 0,004 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,006 | 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 ».