Screenshotting What’s Important in Video Data: An Experiment in Collaborative, Subjective Analysis of Artifactual, Cultural Research with Children
Notice bibliographique
Résumé
When using video and visual methods in qualitative and post-qualitative research, the size and scale of the data set can be overwhelming, particularly for new researchers. Collaborative research teams often work with a code book to systematize and unify their analyses. Interpretive researchers pursuing multi-layered and multi-voiced visual analysis often find it difficult to move away from desires for a single ‘best’ interpretation of what happened. This paper illustrates and interrogates an open and flexible method for ‘thinning’ (screenshotting) video data that we call the ‘Five Images Method’. We offer one unfolding of interpretive processes and tensions and examine how four researchers worked across positionalities to analyse video data. We start with our positionalities in relation to a research study of children creating photographic and written stories of cultural artifacts, carried out over one year. The primary data from the study was generated through online video-conference sessions connecting a university researcher with an elementary class. A second level of data was created through a process of screenshotting, followed by recursive cycles of conversation about the choices of each researcher, and how they were guided by background, geography, roles in relation to child participants, technologies, personal experiences, and so on. Two key incidents that illustrate the potential of the method and the interpretations produced are described. We argue that reducing video data in this way can be both generative and limiting, while also serving as a catalyst for enhanced analysis. The collaborations and relationships built in research teams through slow processes of analysis (and writing!) working across difference also promote evocative and layered learning. Looking at interpretations as multiple can be hampered by longstanding histories of research as intended to produce authentic and singular truths.
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 | 0,031 | 0,074 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,006 | 0,011 |
| Communication savante | 0,004 | 0,005 |
| Science ouverte | 0,002 | 0,005 |
| Intégrité de la recherche | 0,002 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 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; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».