A framework for selecting data generation strategies in qualitative health research studies
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
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.
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 | 0,024 | 0,006 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 découle