Practical strategies to identify and address discordant findings in mixed methods research
Notice bibliographique
Résumé
Integration of qualitative and quantitative data in mixed methods research generates confirmed, discordant, and expanded findings. Guidance is available about the methods and strategies for the meaningful integration of data. However, little has been written about strategies for managing discordant findings in mixed methods. This paper describes and illustrates practical strategies for managing and integrating discordant findings in mixed methods analyses based on researchers reflections and experiences of managing and integrating discordant findings in convergent and sequential exploratory mixed methods studies. Two strategies, namely, comprehensive case and variable analysis and sociocultural exploration are proposed. Comprehensive case analysis involves identifying discordant findings in quantitative data, identifying supportive data in qualitative data, and selecting variables for mixed analysis and interpretation. Sociocultural exploration comprises qualitative code and quantitative data matrix for themes, identification of discordant findings under each theme, and development of sociocultural profile. Identifying and addressing discordant findings in mixed methods is an essential step of rigorous mixed methods analysis. The comprehensive case and variable analysis and sociocultural exploration strategies emphasize the need to examine discordance in data at an early stage of analysis. Further use and evaluation of these strategies are warranted to expand the body of knowledge about practical methods of mixed methods data analysis.
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 | 0,599 | 0,101 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,006 | 0,017 |
| Études des sciences et des technologies | 0,007 | 0,003 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,002 | 0,003 |
| Intégrité de la recherche | 0,000 | 0,006 |
| 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 découleClassification
machine, non validéePrédiction automatique; les deux têtes enseignantes 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 ».