Establishing Trustworthiness in Health Care Process Modelling: A Practical Guide to Quality Enhancement in Studies Using the Functional Resonance Analysis Method
Notice bibliographique
Résumé
The Functional Resonance Analysis Method (FRAM) is a novel healthcare research methodology that has increasingly been applied in the healthcare domain. The method has an ability to map and model everyday healthcare activities and their interdependencies, as well as, demonstrate how variability can emerge and impact system outcomes. To build a FRAM model, researchers gather data from key stakeholders, such as health care workers and patients and their families using qualitative data collection methods. An important consideration for researchers using the FRAM is how they will establish trustworthiness in their study findings given the data used to build and analyze a FRAM model can be subjective. In the spirit of advancing the quality of qualitative research, the aim of this paper is to provide practical guidance to researchers on how to employ quality enhancement criteria and strategies in their qualitative research efforts so that the resulting FRAM models and insights afforded by them are trustworthy.
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 | 0,400 | 0,436 |
| Méta-épidémiologie (sens strict) | 0,004 | 0,005 |
| Méta-épidémiologie (sens large) | 0,004 | 0,005 |
| Bibliométrie | 0,015 | 0,012 |
| Études des sciences et des technologies | 0,009 | 0,031 |
| Communication savante | 0,014 | 0,018 |
| Science ouverte | 0,010 | 0,016 |
| Intégrité de la recherche | 0,011 | 0,019 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,010 | 0,004 |
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 ».