Dissertation Data Collection During a Global Pandemic: Barking Dogs, Crying Babies, and Feminist Social Work
Notice bibliographique
Résumé
COVID-19 has had a profound impact on our society. Research evidence has surfaced that there is a gender disparity in research productivity due to COVID-19. Notably, women in academia have been less productive in terms of academic publications since the beginning of the pandemic, likely due to the day-to-day responsibilities of childcare and domestic work; and according to pre-print literature, women of color may be more significantly impacted. As a woman of color, PhD candidate, mother of a toddler, wife, advocate for mental wellness, researcher, and social worker, reflecting on these recent articles was quite disheartening. Additionally, the impact of COVID-19 lockdowns on doctoral students has had detrimental impacts on our ability to collect data we need to forge our paths through this academic journey. This in-brief paper is written in response to the numerous questions I have been asked by other doctoral students around how I collected 41 in-depth, semi-structured interviews while working from home during a global pandemic, with my toddler at home with me. I reflect on how I pivoted to recruit participants, scheduled interviews, and conducted interviews from home, and how I believe COVID-19 has created space for a more accessible qualitative data gathering experience.
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 | 0,026 | 0,030 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,003 |
| Études des sciences et des technologies | 0,014 | 0,013 |
| Communication savante | 0,010 | 0,005 |
| Science ouverte | 0,001 | 0,008 |
| Intégrité de la recherche | 0,002 | 0,006 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,008 | 0,002 |
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 ».