Using Zoom Annotate to Facilitate Online Focus Groups in Veterinary Medicine Education Research
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Focus groups allow researchers to collect data from multiple participants on a set of questions while simultaneously observing participant interactions during sessions. Traditionally, researchers conduct focus groups in person, though online focus groups have been increasingly used as technologies have improved. The pandemic increased the need for researchers to innovate online focus group practices. This paper aims to present best practices for using annotation functions on digital video conference platforms to conduct focus group interviews in veterinary medicine education research. We explain how Zoom, specifically its Annotate functions, offers a useful tool to facilitate online focus groups and assist veterinary medicine education research and practice. This method addresses many of the challenges that in-person focus groups have-dominant participants, geographical barriers, and confidential (instead of anonymous) participation-while still being able to collect quality data during a group interview. The best practices described here allow for capturing both qualitative and quantitative data from online participants while preserving their anonymity and increasing the ease of participation. Based on data we have collected, participants report being comfortable providing honest and direct responses across a variety of questions. This practice also allows the collection of simultaneous or delayed answers, which means that participants have more flexibility in how and when they respond compared to many in-person focus groups. This practical approach to online focus group research can assist in conducting veterinary medicine education research not just during the pandemic but whenever geographical barriers or a need for increased confidentiality are researcher concerns.
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.
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 | 0,019 | 0,012 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| 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 découle