Methodological Insights From a Virtual, Team-Based Rapid Qualitative Method Applied to a Study of Providers’ Perspectives of the COVID-19 Pandemic Impact on Hospital-To-Home Transitions
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Background: During the COVID-19 pandemic, rapid virtual qualitative methods have gained attention in applied health research to produce timely, actionable results while complying with the pandemic restrictions. However, rigour and analytical depth may be two areas of concern for rapid qualitative methods. Methods: In this paper, we present an overview of a virtual team-based rapid qualitative method within a study that explored health care providers' perspectives of how the COVID-19 pandemic has impacted hospital-to-home transitions, lessons learned in applying this method, and recommendations for changes. Using this method, qualitative data were collected and analyzed using the Zoom Healthcare videoconferencing platform and telephone. Visual summary maps were iteratively created from the audio recordings of each interview through virtual analytic meetings with the team. Maps representing similar settings (e.g. hospital providers and community providers) and Sites were combined to form meta-maps representing that group's experience. The combinations of data that best fit together were used to form the final meta-map through discussion. Results: This case example is used to provide a description of how to apply a virtual team-based rapid qualitative method. This paper also offers a discussion of the opportunities and challenges of applying this method, in particular how the virtual team-based rapid qualitative method could be modified to produce timely results virtually while attending to rigour and depth. Conclusions: We contend that the virtual team-based rapid qualitative data collection and analysis method was useful for generating timely, rigorous, and in-depth knowledge about transitional care during the COVID-19 pandemic. The recommended modifications to this method may enhance its utility for researchers to apply to their qualitative research studies.
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.
Prédiction distillée sur la base complète
Imitation des enseignantsNi 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.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,058 | 0,026 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,002 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 découle