Template Analysis of a Longitudinal Interprofessional Survey: Making Sense of Free-Text Comments Collected Over Time
Notice bibliographique
Résumé
Surveys are widely used in interprofessional education (IPE) research and these often collect free-text data. The potential contribution of free-text data to analysis and interpretation is often missed through separate reporting of qualitative and quantitative results, or free-text analyses being superficial or limited to subsets of data. There is little published guidance on how to maximize the use and integration of free-text comments with quantitative responses in large datasets collected over multiple years. Analysis of all qualitative comments, within the context of their related quantitative answers, enables exploration of changes in participants’ construction of meaning over time. This article describes how we used template analysis to analyze 3,626 free-text responses, collected as part of a five-year survey exploring the impact of an IPE program on health professionals’ attitudes to teamwork and early careers. We outline the main procedural steps undertaken by a team of researchers and we share our insights into the methodological challenges encountered. This article aims to inspire other researchers at the planning stage of research proposals, and assist them with practical ideas during data extraction, management, analysis, and reporting of large free-text datasets. We conclude that template analysis has methodologically sound, pragmatic utility in IPE longitudinal survey research
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 | 0,134 | 0,410 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,002 | 0,002 |
| Bibliométrie | 0,011 | 0,010 |
| Études des sciences et des technologies | 0,003 | 0,003 |
| Communication savante | 0,006 | 0,008 |
| Science ouverte | 0,003 | 0,005 |
| Intégrité de la recherche | 0,002 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 ».