Complexity and coding lifestyle talk in GP consultations
Notice bibliographique
Résumé
Background Lifestyle risk factors, such as smoking, poor nutrition, alcohol use, and sedentary behaviour, are considered key intervention targets in general practice (GP). While GP consultations are well suited to preventative interventions, it is reported that GPs often miss these opportunities to pursue such discussions.Aims In investigating how “missed” such opportunities are, we identified several methodological challenges. This paper presents an exploration into these challenges, with an aim of sharing the analytic process and how such challenges might be prepared for and responded to in future research.Methods Using a dataset of 45 GP consultations recorded in 2018, we used an inductive approach informed by linguistic ethnography and conversation analysis. The study sought to identify potential missed opportunities for discussing lifestyle changes, and how these were situated within the overall structure of GP consultations as per the Calgary-Cambridge Guide.Results Through the research process, we encountered four specific challenges relating to: collection building, definition of codes, interactional barriers, and clinical and systemic barriers to lifestyle talk. The analysis reflected the complexity in researching such phenomena, particularly when trying to identify patterns within the inherently varied nature of GP and its impact on longitudinal relationships.Discussion Reflections on the research process and the results of our research underscore the interactional, clinical, and systemic complexities of GP consultations. We emphasise the need for methodological flexibility to accurately apply research to clinical practice and highlight the importance of considering the full scope of communication complexities when designing healthcare communication studies.
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 | 0,003 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,002 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, 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 ».