A meta‐study analysing the discourses of discourse analysis in health professions education
Notice bibliographique
Résumé
INTRODUCTION: Discourse analysis has been used as an approach to conducting research in health professions education (HPE) for many years. However, because there is no one 'right' interpretation of or approach to it, quite what discourse analysis is, how it could or should be used, and how it can be appraised are unclear. This ambiguity risks undermining the trustworthiness and coherence of the methodology and any findings it produces. METHOD: A meta-study review was conducted to explore the current state of discourse analysis in HPE, to guide researchers engaging using the methodology and to improving methodological, analytical and reporting rigour. Structured searches were conducted, returns were filtered for inclusion and 124 articles critically analysed. RESULTS: Of 124 included articles, 64 were from medical education, 51 from nursing and 9 were mutli-disciplinary or from other HPE disciplines. Of 119 articles reporting some sort of data, 50 used documents/written text as the sole data source, while 27 were solely based on interview data. Foucault was the most commonly cited theorist (n = 47), particularly in medical education articles. The quality of articles varied: many did not provide a clear articulation what was meant by discourse, definitions and methodological choices were often misaligned, there was a lack of detail regarding data collection and analysis, and positionality statements and critiques were often underdeveloped or absent. DISCUSSION: Seeking to address these many lacunae, the authors present a framework to facilitate rigorous discourse analysis research and transparent, complete and accurate reporting of the same, to help readers assess the trustworthiness of the findings from discourse analysis in HPE. Scholars are encouraged to reflect more deeply on the applications and practices of discourse analysis, with the ultimate aim of ensuring more breadth and depth when using discourse analysis for understanding and constructing meaning in our field.
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 | 0,179 | 0,376 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,002 |
| Méta-épidémiologie (sens large) | 0,007 | 0,014 |
| Bibliométrie | 0,034 | 0,022 |
| Études des sciences et des technologies | 0,003 | 0,004 |
| Communication savante | 0,011 | 0,013 |
| Science ouverte | 0,004 | 0,006 |
| Intégrité de la recherche | 0,004 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 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 source (Gemma direct ou Codex distillé), 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 ».