Five tips for conducting remote qualitative data collection in COVID times: theoretical and pragmatic considerations
Notice bibliographique
Résumé
OBJECTIVE: To provide five methodological and pragmatic tips for conducting remote qualitative data collection during the context of the COVID-19 pandemic. METHOD: The tips presented in this article are drawn from insights of our own experiences as researchers conducting remote qualitative research and from the evidence from the literature on qualitative methods. The relevant literature was identified through searches using relevant keywords in the following databases: CINAHL, PubMed, SCOPUS, and Web of Science. Searches were limited to articles in English and Portuguese, published from 2010 to 2021, to ensure a current understanding of the phenomenon. RESULTS: Five tips are provided: 1) Pay attention to ethical issues; 2) Identify and select potential participants; 3) Choose the type of remote interview; 4) Be prepared to conduct the remote interview; and 5) Build rapport with the participant. CONCLUSION: Despite the challenges in conducting remote data collection, strengths are also acknowledged and our experience has shown that it is feasible to recruit and interview participants remotely. The discussions presented in this article will benefit, now and in the future, other research teams who may consider collecting data for their qualitative studies remotely.
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 | 0,543 | 0,600 |
| Méta-épidémiologie (sens strict) | 0,004 | 0,004 |
| Méta-épidémiologie (sens large) | 0,005 | 0,006 |
| Bibliométrie | 0,010 | 0,006 |
| Études des sciences et des technologies | 0,016 | 0,028 |
| Communication savante | 0,021 | 0,034 |
| Science ouverte | 0,009 | 0,030 |
| Intégrité de la recherche | 0,027 | 0,036 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,007 | 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 ».