The Textual-Visual Thematic Analysis: A Framework to Analyze the Conjunction and Interaction of Visual and Textual Data
Notice bibliographique
Résumé
Visual methods offer an innovative approach to qualitative research through their potential to prompt dialogue, enrich verbal and textual data, and enable participants to communicate about difficult topics. However, the use of visual methods requires that researchers rethink methodological aspects of data generation and analysis, especially when working with participant-generated images. Although there are now many analytical frameworks and guidebooks providing instructions on the analysis of textual and visual materials, detailed descriptions of how these elements are brought together are often missing from research reports, precluding novice and other researchers from understanding how findings were attained. Our aim in this article is to describe and illustrate the Textual-Visual Thematic Analysis (TVTA), a framework we developed to collaboratively analyze the conjunction and interaction of textual and visual data in a photo-elicitation study. Given that the ethical and methodological aspects are deeply entwined, we begin the article by contextualizing the data obtained from the photo-elicitation study and then consider confidentiality and approaches to valuing participants' voices. Next, we share the TVTA framework, its procedural implementation, and insights derived from evolving our data analysis approach. We conclude by offering reflections on the limitations and possibilities for future 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 | 0,188 | 0,116 |
| Méta-épidémiologie (sens strict) | 0,003 | 0,002 |
| Méta-épidémiologie (sens large) | 0,002 | 0,003 |
| Bibliométrie | 0,024 | 0,019 |
| Études des sciences et des technologies | 0,011 | 0,036 |
| Communication savante | 0,018 | 0,014 |
| Science ouverte | 0,006 | 0,013 |
| Intégrité de la recherche | 0,004 | 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 ».