Bearing witness to suffering: A reflection on the personal effects of conducting qualitative research with victims of trauma
Notice bibliographique
Résumé
Qualitative researchers in the health sciences often engage with participants to collect information about their thoughts, feelings, and behaviours related to a particular research topic. When the topic under investigation involves a traumatic event or experience, listening to, or being exposed to those personal accounts, can carry a significant emotional cost for the mental health of the researcher who can develop secondary trauma. Yet there is limited exploration of the effects of participant trauma on qualitative researchers. This is the focus of the current paper. Objective: Our goal is to relate how we have approached, experienced, and worked with our partner organization and the goal of better understanding the experiences of frontline providers caring for residents with disabilities living in a community residential setting during a COVID-19 outbreak. Methods: Using reflection as a qualitative method, we describe our experiences as we undertake this important work. Results: As researchers, navigating sensitive, deeply felt experiences can be difficult. We share an interim offering of our processes and experiences garnering the insights and feelings of frontline providers who lived through the physical and emotional stress of a COVID-19 outbreak. It has required us to be nimble and resourceful, but most critically to be present. Several lessons emerge from this work such as preparing to address a difficult topic, creating a realistic work plan, and creating spaces for reflection in the research team in order to take care of our mental health. Conclusions: Every study is a story. Often the reader wants the final chapter – the conclusion. We aim to illuminate the path we are travelling, as for us it has been and is equally compelling.
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 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 | 0,020 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,003 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,004 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, 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 ».