Getting Real About Critical Realist Interviewing: Five Principles to Guide Practice
Notice bibliographique
Résumé
Critical realism refers to a broad project to realize a post-positivist social science. At its best, it responds to the challenges thrown down by social constructionist critiques of positivist science, while also allowing us to make interrogable claims about reality—a priority for many working to expose and eradicate structural oppression. In the social sciences, interviews remain one of the foremost methods through which researchers generate data to inform our understanding of reality. In this article, however, we argue that for critical realism to deliver on its promise as a philosophy of science for critical social scientists, we need theoretically sound guidance on what a critical realist approach to research interviewing might look like. Currently, this guidance is lacking. Through a systematic analysis of prominent qualitative research interviewing textbooks, we found that critical realism is ignored, mischaracterized, and underdeveloped. In response, we offer five principles, rooted in critical realism’s key tenets, that can guide researchers as they design, conduct, and evaluate critical realist interview studies. These principles are: (1) craft interview protocols to generate data that can inform answers to ontological research questions; (2) keep in view the interview as social practice throughout the study; (3) treat interview data as both interactively achieved co-constructions and as verifiable evidence for real phenomena; (4) be guided and informed by an aim to reduce suffering and promote social justice; and (5) demonstrate reflexivity as ongoing self-awareness.
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 | 0,339 | 0,241 |
| Méta-épidémiologie (sens strict) | 0,004 | 0,004 |
| Méta-épidémiologie (sens large) | 0,003 | 0,003 |
| Bibliométrie | 0,014 | 0,008 |
| Études des sciences et des technologies | 0,020 | 0,104 |
| Communication savante | 0,035 | 0,030 |
| Science ouverte | 0,013 | 0,025 |
| Intégrité de la recherche | 0,022 | 0,043 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 0,004 |
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; l’étiquette directe de Gemma et le classifieur distillé Codex 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 ».