Two-Eyed Seeing Application in Research Analysis: An Integrative Review
Notice bibliographique
Résumé
Background Research approaches used to understand Indigenous people in Canada have predominately used Western approaches and have not reflected Indigenous ways of knowing, protocols, or worldviews. The landscape of research involving Indigenous people is changing with a growing number of Indigenous scholars reclaiming and revitalizing Indigenous knowledge. Two-Eyed Seeing provides a framework whereby conscious and deliberate conversations and research approaches are determined prior to and throughout the research process by the research team to guide a balance of each knowledge. However, Two-Eyed Seeing approaches or methods used during data analysis within the literature remains sparse necessitating this integrative review. Purpose To review the literature where Two-Eyed Seeing has been applied and to identify the approaches or methods used during data analysis and discuss the implications for research with Indigenous communities worldwide. Methods The five-stage approach outlined by Whittemore and Knafl (2005) was used to guide this integrative review. Results A total of 321 articles were reviewed from four databases, yielding 32 articles. Conclusions This integrative review is novel in that it is the first review known to specifically explore the use and application of a Two-Eyed Seeing framework during data analysis. Five main themes are presented including (1) Indigenous community member involvement with analysis, (2) Co-Learning during data analysis, (3) Visual or symbolic conceptualizations to guide analysis, (4) Statement acknowledging Indigenous knowledge during data analysis, and (5) Sharing of Traditional stories to guide data analysis. Additionally, five Two-Eyed Seeing approaches less commonly used during data analysis are provided.
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 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 | 0,083 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,002 | 0,004 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, 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 ».