Qualitative ego networks in health professions education: Capturing the self in relation to others
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
INTRODUCTION: Our very sense of self emerges through interactions with others. As part of this State of the Science series on Self, Society, and Situation, we introduce a qualitative ego network research approach. This research approach offers insights into the self's (the ego's) interpretation of and relation to named others in the social network in question. PURPOSE: Visual mapping of participants' social networks is gaining traction, yet this research approach has received no focused attention in the health professions education (HPE) literature. A qualitative ego network approach is a compelling research approach because it uniquely maps participants' perceptions of the complex social world they are embedded in. Although many methodologies can explore participants' social world, ego networks can enhance expression of tacit knowledge of one's social environment and encourage reflection. This approach, combined with other qualitative data, can also reveal hidden relational data that the researcher may not observe or consider. To demonstrate its value as a visual methodology, we will showcase two examples of qualitative ego network studies. We then balance the paper with some critical reflections of this research approach. CONCLUSIONS: A qualitative ego network approach holds potential for deepening understanding of the self in relation to society and situation in future HPE research. We look forward to intentional, impactful and invigorated research using a qualitative ego network approach as we tackle unknowns about how self and society in specific HPE situations interact.
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.
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 | 0,002 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| 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) | 0,003 | 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 découle