Thematic Analysis of Using Visual Methods to Understand Healthcare Teams
Notice bibliographique
Résumé
In healthcare, teams are essential in solving today’s toughest challenges. However, narrow disciplinary perspectives have limited our current understanding of how teams function in various healthcare contexts. Researchers often rely on traditional survey methods as their primary tool, which can prevent them from gathering comprehensive data. To overcome this limitation, sharing stories and narratives visually allows participants to create representations of their perceptions of team experiences and complex encounters using a variety of approaches. Despite the potential of this method, there is little empirical guidance on how to use it in health sciences research. To address this gap and provide guidance on using visual methods, particularly for analysing team function, we contacted researchers worldwide specializing in qualitative research methods. These researchers had published experience using visual methods. Over a year, three virtual, asynchronous brainstorming sessions were conducted with 16 researchers. The brainstorming sessions consisted of respondents receiving a survey with open-ended prompts to gather insight into the best practices for using visual methods. Researchers agreed that visual methods can gather implicit data, break down researcher-participant power dynamics, and improve a study’s accessibility to under-represented groups. It was highlighted, when interpreting drawings, co-analysis with the creator should be facilitated to mitigate biases and support interpretation. This use of visual methods can aid the creation of tacit and more nuanced descriptions of complex phenomena and improve team function through a deeper understanding and respect of each members’ needs/experiences/perspectives. Future studies should pilot visual methods with different healthcare teams to further investigate team dynamics and how findings can be used to optimize team function.
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 | 0,100 | 0,132 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,002 |
| Bibliométrie | 0,017 | 0,014 |
| Études des sciences et des technologies | 0,007 | 0,010 |
| Communication savante | 0,008 | 0,007 |
| Science ouverte | 0,003 | 0,008 |
| Intégrité de la recherche | 0,002 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,005 | 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 ».