Doing Embodied Mapping/s: Becoming-With in Qualitative Inquiry
Notice bibliographique
Résumé
Qualitative research often involves the collection of data from multiple sources, inclusive of the embodied and multisensorial. These differing data sources, that are not language based, pose difficulties for researchers. Often this multimodal data is collected alongside interviews, field notes and other language-based data and then translated into language. In the process of this translation, the embodied, relational, and multisensorial aspects of this data is often lost. To address this issue, we created E mbodied Mapping/s (EM) as an approach for collecting, analyzing and becoming-with non-language-based data. This doing of embodied mapping/s is not about fixing lines and encounters in order to produce a two-dimensional cartography, plan or model; on the contrary it is about exploring differing embodiments and material relations among people and things to create a new inquiry in embodied and multisensorial research and methodologies. Embodied mapping/s suggests a need for a more holistic exploration of qualitative methodologies beyond language and visual communication. Through centralising embodiment, not only as an analytical method but also as something that informs innovative methodologies and methods, these doings of embodied mapping/s offer something novel to qualitative inquiry and embodied methodologies. To evidence the doing of embodied mapping/s, two multi-sited case studies in Canada will be explored—the Canadian War Museum in Ottawa; and the Canadian Museum for Human Rights in Winnipeg, to advance methodological insights in relation to multimodal and multisensorial 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 | 0,223 | 0,162 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,002 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,005 | 0,007 |
| Études des sciences et des technologies | 0,018 | 0,060 |
| Communication savante | 0,018 | 0,014 |
| Science ouverte | 0,004 | 0,022 |
| Intégrité de la recherche | 0,004 | 0,005 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,007 | 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 ».