Qualitative Data Analysis Software and Family Science: 2011–2020 Usage Trends
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
ABSTRACT Objective This brief report examines how often a technology called QDAS (qualitative data analysis software) was mentioned in family science (FS) research between 2011 and 2020 and how it was described. It also provides data about qualitative FS research trends and examines whether there is a relationship between QDAS use and grounded theory. Background QDAS is a technology used by qualitative FS scholars, but little is known about its prevalence or how it is used. Research in this area is needed because technology can influence qualitative research practices in unknown or unacknowledged ways such as methodological homogenization. Method Empirical articles from five FS journals were examined for whether they presented qualitative findings during 2011–2015 and 2016–2020. Identified articles were then examined for their QDAS use. A chi‐square analysis compared articles mentioning QDAS with those not mentioning it for whether they were more likely to mention grounded theory. Results The percentage of qualitative research findings increased from 15% to 17% across the two time periods; in those articles, QDAS use increased from 25% to 41%. Few details were provided about how the programs were used, and a moderate relationship was found between QDAS and grounded theory. Conclusion QDAS use is increasing in FS, and more detail needs to be provided about how it is used. This information is increasingly important due to the incorporation of automatic features into QDAS programs such as Generative Artificial Intelligence tools.
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 | 0,026 | 0,003 |
| 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 | 0,001 | 0,003 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| 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