Resisting the Robotic – Moving Fluidly Towards Soulful Qualitative Analysis
Notice bibliographique
Résumé
Qualitative inquiry is known for the generation of knowledge that is expressive, subjective, rich, and comprehensive. While there are prospects for qualitative research to inform and improve praxis, thin engagement with qualitative analysis threatens the meaningfulness of the produced findings. Novice and emerging researchers may long for the aid of a technical guide outlining procedural steps as they learn to become qualitative scholars. However, prescriptive and mechanical processing of data confines the researcher’s capacity to extend and leverage their creativity. Rather, it is through the researcher’s intuition and being “present” that one can begin to interact with data in a fluid and reflexive manner. Drawing on nursing practice, although relevant to other disciplines, this article challenges the robotic ways of analyzing qualitative data. We offer a discussion on robotic care versus Lanoix’s “thickly embodied and relational” care, nursing presence, and how one may apply patient-centred care to the analytical processes in qualitative research, not limited to nursing or healthcare research. By engaging in an embodied manner with analysis, possibilities are opened up for producing knowledge that is profound, compelling, and impactful. Using arts-based research approaches, we share an artistic-informed reflection on embracing uncertainty and finding strength in vulnerability while interacting with the art piece as a strategy for being reflexive. The art piece uses painting, fluid art specifically, to highlight the need for creativity and reflexivity in qualitative analysis. Through the embodied art experience with immersing oneself in creative space, we make the connection with enabling researchers to move fluidly, without restraint, towards soulful qualitative analysis.
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 | 0,087 | 0,034 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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; les deux têtes enseignantes s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».