Seven ways to get a grip on using participant observation in medical education research
Notice bibliographique
Résumé
Medical education phenomena are complex, and researchers need to use diverse methods to explore topics. Participant observation is a qualitative research method that connects researchers to human interactions, allowing them to experience firsthand behaviours, conversations, characteristics, and qualities related to the phenomenon under study. It can provide unique insights, beyond those of participant narratives, and enhance understanding. However, this method is rarely used in medical education research; it is challenging and resource-intensive to implement, which likely discourages researchers from using it. To help researchers get a grip on using it in medical education research, we offer seven recommendations for planning participant observation: Determine the study setting(s), Identify key interest-holders and establish relationships, Determine the researcher-participant relationship to be established, Take steps to minimize reactivity to research, Use knowledge to guide data collection procedures, Use knowledge to inform instrument development, and Anticipate possible dilemmas and be mindful of unanticipated ones. We urge researchers to consider participant observation when appropriate to advance methods in medical education research.
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 | 0,790 | 0,712 |
| Méta-épidémiologie (sens strict) | 0,008 | 0,010 |
| Méta-épidémiologie (sens large) | 0,006 | 0,007 |
| Bibliométrie | 0,021 | 0,017 |
| Études des sciences et des technologies | 0,031 | 0,142 |
| Communication savante | 0,051 | 0,098 |
| Science ouverte | 0,016 | 0,060 |
| Intégrité de la recherche | 0,037 | 0,055 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,006 | 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 ».