Qualitative Data Analysis Software and Family Science: 2011–2020 Usage Trends
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.
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 | 0,084 | 0,185 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,020 | 0,027 |
| Études des sciences et des technologies | 0,002 | 0,002 |
| Communication savante | 0,006 | 0,006 |
| Science ouverte | 0,001 | 0,004 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,009 | 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 ».