How to Approach Qualitative Observational Research in Workplace Learning
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
BACKGROUND: Learning in clinical settings occurs through engagement in everyday activities and interactions. Yet, clinical settings are complex, dynamic environments and data collection methods such as interviews and focus groups, although valuable, alone may not capture the complexities of these settings. Qualitative observational research offers an approach to understanding these complexities and enhancing learning in clinical settings. OBJECTIVE: The aim of this paper is to support readers in undertaking qualitative observational research in workplace learning. METHODS: We provide an overview of qualitative observational research, emphasising its relevance to investigating workplace learning. We delineate four key components to consider: the phenomenon of interest, roles of researchers and participants, ethical considerations and data collection approaches. An illustrative example from health professions education research is presented to demonstrate the application and outcomes of observational research. RESULTS: Qualitative observational research allows for a nuanced understanding of real-world clinical activities and interactions, capturing elements of learning that are often missed by other methods. It offers a rich evidentiary base for both clinicians and researchers to appraise and improve practice. The example study illustrates how observational research can identify systemic issues affecting both learning and clinical practice. CONCLUSION: Qualitative observational research offers an important approach to understanding the complexities of clinical practice and workplace learning. We have shared some key considerations for the design and conduct of qualitative observational research in workplace learning.
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.
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 | 0,019 | 0,032 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,002 |
| 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 découle