Interpretive Autoethnography in Medicine: An Accessible Way to Introduce Healthcare Professionals to the Craft of Critical Qualitative Writing
Notice bibliographique
Résumé
Qualitative research is valuable in medicine because of the deep insights it offers into the social and cultural dimensions of healthcare. Historically, qualitative methods have been influenced by critical theory and have shared its constructivist epistemology and orientation towards social justice. It can be challenging to teach such critical qualitative inquiry to healthcare professionals because its underlying philosophy can seem at odds with the objectivist biological perspective emphasized in medical education. This is unfortunate because several social inequities are perpetuated by modern healthcare systems and critical qualitative inquiry is essential to the project of addressing them. This article argues that Norman Denzin’s interpretive autoethnography is a promising method through which educators could introduce healthcare professionals to critical qualitative inquiry. In this method, the author uses the craft of writing creatively about their personal experiences as a tool for cultural interpretation and social justice activism. Such a creative analytic practice might seem alien to many medical professionals. On the other hand, the idea of analyzing their own experiences in detail is likely to feel familiar to them because of the prominence of reflective writing in healthcare professional development practice. This familiarity might make interpretive autoethnography accessible to healthcare professionals and practicing the method could help them to appreciate the value of interpretive writing as a way of investigating sociocultural meaning and promoting just change.
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 | 0,002 | 0,009 |
| 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 | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 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 ».