MétaCan
Menu
Retour à la cohorte
Enregistrement W3204182889 · doi:10.3138/jvme-2019-0101-p2

Qualitative Research in Veterinary Medical Education: Part 2—Carrying Out Research Projects

2021· article· en· W3204182889 sur OpenAlexvenueno aff
Eva King, Emma Scholz, Susan M. Matthew, Liz Mossop, Kate Cobb, Elizabeth J. Norman, Daniel Schull

Notice bibliographique

RevueJournal of Veterinary Medical Education · 2021
Typearticle
Langueen
DomaineHealth Professions
ThématiqueVeterinary Practice and Education Studies
Établissements canadiensnon disponible
Organismes subventionnairesnon disponible
Mots-clésQualitative researchBiomedicineEngineering ethicsResearch designMedical researchReading (process)Value (mathematics)Medical educationQualitative marketing researchSociologyManagement scienceMedicineComputer scienceSocial sciencePolitical scienceEngineeringPathology

Résumé

récupéré en direct d'OpenAlex

This is the second of two articles that together comprise an orientation and introduction to qualitative research for veterinary medical educators who may be new to research, or for those whose research experience is based on the quantitative traditions of biomedicine. In the first article ( Part 1—Principles of Qualitative Design), we explored the types of research interests and goals suited to qualitative inquiry and introduced the concepts of research paradigms and methodologies. In this second article, we move to the strategies and actions involved in conducting a qualitative study, including selection and sampling of research sites and participants, data collection and analysis. We introduce some guidelines for reporting qualitative research and explore the ways in which qualitative research is evaluated and the findings applied. Throughout, we provide illustrative examples from veterinary and human medical education and suggest useful resources for further reading. Taken together, the two articles build an understanding of qualitative research, outline how it may be conducted, and equip readers with an improved capacity to appraise its value.

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 distillée sur la base complète

Imitation des enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,036
score de la tête « metaresearch » (Gemma)0,050
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesMétarecherche, Intégrité de la recherche, Charge utile insuffisante (le modèle a refusé de juger)
Catégories consensuellesMétarecherche
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Sans objet · Signal consensuel: Sans objet
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,122
Score d'incertitude au seuil0,996

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0360,050
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0010,000
Bibliométrie0,0010,002
Études des sciences et des technologies0,0010,001
Communication savante0,0000,001
Science ouverte0,0010,001
Intégrité de la recherche0,0010,006
Charge utile insuffisante (le modèle a refusé de juger)0,0050,000

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.

Tête enseignante Opus0,891
Tête enseignante GPT0,754
Écart entre enseignants0,138 · 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; les deux têtes enseignantes s’accordent sur ce qui est montré ici.

Devis d'étudeSans objet
Domainenon disponible
GenreEmpirique

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

En bref

Citations8
Publié2021
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueJournal of Veterinary Medical EducationMême sujetVeterinary Practice and Education StudiesTravaux en français237 207