A Realist Approach to Analysis in a Participatory Research Project
Notice bibliographique
Résumé
BACKGROUND: Realist reviews have shown the effectiveness of participatory action research but the realist approach has not been used in combination with a participatory approach in qualitative data analysis. OBJECTIVES: To study the links between preexisting conditions in neighborhoods and the kind of actions taken at the community level during the coronavirus disease 2019 pandemic in Toronto, a community-university research partnership used a critical realist approach to analyze qualitative interviews with grassroots leaders. This article describes the procedures developed to enable participation of the full community- academic team in the analysis. METHODS: One analyst coded paragraphs in all 46 interviews for preexisting conditions (contexts), actions taken (intervention components), the often implicit factors that underpinned the actions (mechanisms), and observed results (outcomes) as stated by the interviewees. Each interview was summarized in terms of the contexts (C), actions (I), mechanisms (M) and outcomes (O) identified and one to seven midrange CIMO hypotheses were developed for each interview. A second level of analysis involved sense-making workshops with the community partner and a cross-section of interviewees using the CIMO statements. CONCLUSIONS: This article describes the realist approach to analysis and the changes that were made to enable a mixed team of community leaders and academics to generate overall statements of impact. This is a novel approach to qualitative data analysis, with a range of implications for the use of this technique in participatory 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 | 0,242 | 0,139 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,002 | 0,001 |
| Bibliométrie | 0,005 | 0,004 |
| Études des sciences et des technologies | 0,011 | 0,039 |
| Communication savante | 0,012 | 0,008 |
| Science ouverte | 0,004 | 0,013 |
| Intégrité de la recherche | 0,003 | 0,007 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,008 | 0,001 |
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; l’étiquette directe de Gemma et le classifieur distillé Codex s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».