Qualitative ego networks in health professions education: Capturing the self in relation to others
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.
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 | 0,016 | 0,025 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,004 | 0,007 |
| Communication savante | 0,004 | 0,006 |
| Science ouverte | 0,001 | 0,006 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,006 | 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 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 ».