Remote and Equitable Inductive Analysis for Global Health Teams: Using Digital Tools to Foster Equity and Collaboration in Qualitative Global Health Research via the R-EIGHT Method
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
Qualitative methods encompass a variety of research and analysis techniques which have the common aim of uncovering what cannot be captured numerically through the quantification of data. For qualitative analytical methods in the interpretivist tradition (e.g. grounded theory, phenomenological, thematic, etc), inductive coding has become a mainstay but has not always lent itself to collaborative, remote team-based data interpretation among qualitative and mixed-methods clinical researchers. Finding ways to speed the inductive coding process without sacrificing rigour while remaining accessible to geographically dispersed teams remains a priority. This is especially crucial in global health partnerships where on-the-ground researchers may have less input into codebook development compared to in-the-office researchers. We describe a newly-developed, digital approach that integrates findings from our qualitative team, which we call R-EIGHT (Remote and Equitable Inductive Analysis for Global Health Teams). The technique we developed a) speeds the process of inductive coding as a team, b) visually displays interpretive consensus, and c) when appropriate fosters streamlined integration of inductive findings into codebooks. Because it involves all team members, our approach helps break the divide between in-office and on-the-ground teams, fostering integrated and representative contributions from all globally-dispersed team members.
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 | 0,159 | 0,015 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,004 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,001 | 0,002 |
| Science ouverte | 0,001 | 0,000 |
| 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 découle