Commentary: moving forward with mixed methods
Notice bibliographique
Résumé
Mixed methods research is increasingly recognized for its importance in advancing pediatric psychology, allowing investigators to address the complexity of child health and development more comprehensively (Wu et al., 2019). However, integrating qualitative and quantitative data remains a challenge that researchers do not always fully achieve or adequately report (Creswell & Clark, 2017). Knafl et al. (this issue) aimed to address this gap with a pragmatic guide for researchers new to mixed methods, offering step-by-step advice for planning, integrating, and reporting data across three core mixed methods designs. Strengths of this article include its use of examples from pediatric research, concrete recommendations for addressing integration at each stage, and explicit discussion of reporting guidelines. This guide is a valuable resource that helps to make the strengths of mixed methods research more accessible and actionable for researchers in pediatric psychology. There is a clear need for researchers in pediatric psychology to develop competency in mixed methods research approaches (Wu et al., 2019). One domain which is rapidly accelerating and for which mixed methods research is critical is intervention development (Czajkowski et al., 2015). Such research often involves the collection of qualitative and quantitative data, requiring particular attention to how these data are integrated and reported. For example, when designing an intervention following the Obesity-Related Behavioral Intervention Trials (ORBIT) model, different phases may require mixed methods, with findings from earlier phases informing refinements to the intervention in subsequent phases (Czajkowski et al., 2015). Reporting these iterative, multi-phase findings concisely and transparently can be challenging (see Ogez et al., 2021), making the guidance from Knafl et al. (this issue) for data preparation and proactive integration planning especially valuable. When applied in intervention research, mixed methods are essential to generate comprehensive insights for intervention improvement, capture stakeholder needs, and contextualize outcomes (Aschbrenner et al., 2022).
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 | 0,091 | 0,448 |
| Méta-épidémiologie (sens strict) | 0,003 | 0,003 |
| Méta-épidémiologie (sens large) | 0,006 | 0,008 |
| Bibliométrie | 0,005 | 0,005 |
| Études des sciences et des technologies | 0,008 | 0,019 |
| Communication savante | 0,012 | 0,019 |
| Science ouverte | 0,019 | 0,008 |
| Intégrité de la recherche | 0,086 | 0,085 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,034 | 0,027 |
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 ».