When Faces Disappear – A Call for Combining Autoethnography and Complexity Thinking in Future Research on the Intersection of Physical Spaces, Technology and Healthcare Communication Education during COVID
Notice bibliographique
Résumé
Autoethnography and complexity thinking should be carefully combined when studying the intersection of physical spaces, technology and healthcare communication education as it took place during COVID. This is the call that stems from a sequential examination of existing literature. Initially, this process identified that existing research tendencies emphasize the need to understand the role physical spaces have in educational processes and highlight the demand to inquire about the opinions of educators regarding these spaces. Subsequently, analysing the manner in which these tendencies are reflected in the literature connected to teaching during COVID, showed that published research demonstrates the evocative potential of educator autoethnographies. Concomitantly, three themes stood out in the examined works: 1. physical spaces form the taken-for-granted skeleton of human existence which can be further explored, 2. matters of communication dominate the literature and set-out many yet to be probed questions and 3. physical spaces, technology and education are undeniably and complexly connected. Altogether, these findings help make the argument that future studies should investigate different instances of the following overarching question: what can be learned about teaching healthcare communication during COVID by using a complexity sensitized autoethnographic investigation focused on the physical spaces-technology-education intersection?
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 | 0,114 | 0,080 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,002 | 0,001 |
| Bibliométrie | 0,005 | 0,003 |
| Études des sciences et des technologies | 0,011 | 0,041 |
| Communication savante | 0,020 | 0,034 |
| Science ouverte | 0,003 | 0,020 |
| Intégrité de la recherche | 0,003 | 0,009 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,006 | 0,001 |
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 ».