‘To me, it's ones and zeros, but in reality that one is death’: A qualitative study exploring researchers' experience of involving and engaging seldom‐heard communities in big data research
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: Big data research requires public support. It has been argued that this can be achieved by public involvement and engagement to ensure that public views are at the centre of research projects. Researchers should aim to include diverse communities, including seldom-heard voices, to ensure that a range of voices are heard and that research is meaningful to them. OBJECTIVE: We explored how researchers involve and engage seldom-heard communities around big data research. METHODS: This is a qualitative study. Researchers who had experience of involving or engaging seldom-heard communities in big data research were recruited. They were based in England (n = 5), Scotland (n = 4), Belgium (n = 2) and Canada (n = 1). Twelve semistructured interviews were conducted on Zoom. All interviews were audio-recorded and transcribed, and we used reflexive thematic analysis to analyse participants' experiences. RESULTS: The analysis highlighted the complexity of involving and engaging seldom-heard communities around big data research. Four themes were developed to represent participants' experiences: (1) abstraction and complexity of big data, (2) one size does not fit all, (3) working in partnership and (4) empowering the public contribution. CONCLUSION: The study offers researchers a better understanding of how to involve and engage seldom-heard communities in a meaningful way around big data research. There is no one right approach, with involvement and engagement activities required to be project-specific and dependent on the public contributors, researchers' needs, resources and time available. PATIENT AND PUBLIC INVOLVEMENT: Two public contributors are authors of the paper and they were involved in the study design, analysis and writing.
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 | 0,011 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 0,001 |
| 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