More Than Words: An Integrative Review of Innovative Elicitation Techniques for Qualitative Interviews
Notice bibliographique
Résumé
Abstract Introduction Interviews are central to many qualitative studies in health professions education (HPE). However, researchers often rely only on oral questioning despite the existence of techniques tailored to elicit the rich data needed to address complex problems and meaningfully engage participants. Elicitation techniques are strategies – e.g. participant photography, neighbourhood walks – used to generate rich conversations, but guidance on these techniques is scattered across literatures from diverse fields. In this synthesis, we offer an overview of the elicitation techniques available and advice about how to choose between them. Methods We conducted an integrative review, drawing on methodological literature from across the health and social sciences. Our interdisciplinary searches yielded 3056 citations. We included 293 citations that were methodologically focused and discussed elicitation techniques used in interviews with adults. We then extracted specific elicitation techniques, summarizing each technique to capture key features, as well as strengths and weaknesses. From this, we developed a framework to help researchers identify challenges in their interview-based research, and to select elicitation techniques that address their challenges. Results Elicitation techniques serve two main purposes: they can enrich data and engage participants in new ways. To enrich data, researchers might seek to shift conversations away from participants’ entrenched narratives, to externalize conversations on sensitive topics, or to elicit affect, tacit knowledge, or contextual details. When engaging participants in new ways, researchers might seek to increase equity between the researcher and participant or interview accessibility across diverse participant populations. Discussion When chosen with study goals in mind, elicitation techniques can enrich interview data. To harness this potential, we need to re-conceptualize interviews as co-production of knowledge by researcher(s) and participant(s). To make interviews more accessible, we need to consider flexibility so that each participant can engage in ways that best suit their needs and preferences.
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 | 0,148 | 0,238 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,002 |
| Méta-épidémiologie (sens large) | 0,005 | 0,006 |
| Bibliométrie | 0,035 | 0,035 |
| Études des sciences et des technologies | 0,004 | 0,007 |
| Communication savante | 0,011 | 0,013 |
| Science ouverte | 0,006 | 0,011 |
| Intégrité de la recherche | 0,003 | 0,004 |
| 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 ».