A framework for selecting data generation strategies in qualitative health research studies
Notice bibliographique
Résumé
BACKGROUND: Qualitative health research has the potential to answer important applied health research questions to inform nutrition and dietetics practice, education and policy. Qualitative health research is a distinct subdiscipline of qualitative inquiry that purposefully draws upon the context of healthcare and emphasises health and wellness. METHODS: Qualitative health research is defined by two parameters: (1) the focus of the study and (2) the methods used. When considering the methods to be used, decisions are required about the type of data to be generated (e.g., transcripts, images and notes) and the process involved in data generation (e.g., interviews, elicitation strategies and observations) to answer the research question(s). Drawing upon examples from nutrition and dietetics literature, this paper provides a framework to support decision-making for nutrition and dietetics researchers and clinician researchers designing conducting qualitative health research. RESULTS: The guiding questions of the framework include: What types of data will be generated? Who is involved in data generation? Where will data generation occur? When will data generation occur? How will data be recorded and managed? and How will participants' and researchers' emotional safety be promoted? CONCLUSION: Questions about the types of data, those involved, where and when, as well as how safety can be maintained in data generation, not only support a more robust design and description of data generation methods but also keep the person at the centre of the 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 | 0,538 | 0,424 |
| Méta-épidémiologie (sens strict) | 0,005 | 0,004 |
| Méta-épidémiologie (sens large) | 0,004 | 0,005 |
| Bibliométrie | 0,021 | 0,020 |
| Études des sciences et des technologies | 0,016 | 0,032 |
| Communication savante | 0,020 | 0,018 |
| Science ouverte | 0,012 | 0,021 |
| Intégrité de la recherche | 0,011 | 0,010 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,010 | 0,003 |
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 ».