Digging Deeper with Delphi: The Four Step Alberta Approach
Notice bibliographique
Résumé
Originally the Delphi method was created as a systematic research process for establishing agreement and structured forecasts in groups of experts. The method is based around the idea that the agreed judgement from several experts is more accurate and valuable than the judgement from a single expert. In a traditional Delphi study, the selected experts respond to several rounds of questionnaires with aggregated and shared answers among the expert group. A highlighted strength of the Delphi method is its ability to progress into new forms and implementations. Delphi studies have been used for different purposes such as identifying trends, creating guidelines and to develop theory. The aim of this study is to describe and discuss the Delphi study approach that has been developed by researchers in Alberta, Canada. In an effort to dig deeper into the ongoing transformation of higher education for technology enhanced and lifelong learning, the four steps were further modified in a Swedish Canadian study. In a qualitative Delphi study, the four steps were implemented as 1) A literature study to explore the chosen topic, with the selected publications sent out to the expert panel, 2) A survey with questions to the experts based on the findings in the literature study, 3) Email interviews to dig deeper into the answers from the survey, and finally 4) Focus group interviews based on the results from the previous steps. Findings from the various steps have been presented at conferences and published in research journals. The conclusion is that this modified and extended Delphi process has generated a rich set of data that can be used to develop a theoretical framework. At the same time the presented four step approach is time consuming and requires a research team that can work together during a longer time period.
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 | 0,027 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,003 | 0,002 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 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 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 ».