Qualitative Research in Veterinary Medical Education: Part 1—Principles of Qualitative Design
Notice bibliographique
Résumé
Qualitative methodologies are relative newcomers to health sciences education research. While they may look very different to their quantitative counterparts in terms of size and scope, when well-applied they offer a fresh perspective and generate valuable research findings. Although qualitative research is being increasingly conducted in veterinary medical education, there are few contextualized resources to assist those who would like to develop their expertise in this area. In this article, we address this by introducing the principles of qualitative research design in a veterinary medical education context. Drawing from a range of contemporary resources, we explore the types of research goals and questions that are amenable to qualitative inquiry and discuss the process of formulating a worthwhile research question. We explain what research paradigms are and introduce readers to some of the methodological options available to them in qualitative research. Examples from veterinary medical education are used to illustrate key points. In a second companion article, we will focus on the decisions that need to be made regarding data sampling, collection, and analysis. We will also consider how qualitative research is evaluated, and discuss how qualitative findings are applied. Taken together, the two articles build an understanding of qualitative research, illuminate its potential to contribute to the scholarship of teaching and learning in veterinary medical education, 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 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 | 0,166 | 0,139 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,002 |
| Méta-épidémiologie (sens large) | 0,002 | 0,001 |
| Bibliométrie | 0,003 | 0,006 |
| Études des sciences et des technologies | 0,005 | 0,020 |
| Communication savante | 0,009 | 0,007 |
| Science ouverte | 0,003 | 0,006 |
| Intégrité de la recherche | 0,005 | 0,006 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,006 | 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 ».