What Meaning Can We Make Together? On Learning to Code Qualitative Research Data with Graduate Students in Education
Notice bibliographique
Résumé
Graduate students in education are often expected to collect and code data, but the practice of how to do this with qualitative data is not often made visible. In October 2022, we gathered as a collective of graduate students and a professor to address this gap. We asked, what might it look like to learn about coding together? What informs the decisions we make during the coding process? Drawing on a workshop where we coded data from Dr. Burkholder’s research with 2SLGBTQI+ youth, we discussed how we approached the data from multiple lenses and perspectives. In this inquiry, we have traced the growth of our collective understanding of coding practices and show how we made sense of the data as we engaged in dialogue with each other. This paper reveals the intersections of our learning and creates a space for our accumulated knowledge using collaborative modes of inquiry. We argue that there is pedagogical value for graduate students in education and for qualitative researchers in making coding practices explicit.
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 | 0,486 | 0,499 |
| Méta-épidémiologie (sens strict) | 0,003 | 0,003 |
| Méta-épidémiologie (sens large) | 0,002 | 0,002 |
| Bibliométrie | 0,011 | 0,009 |
| Études des sciences et des technologies | 0,036 | 0,139 |
| Communication savante | 0,043 | 0,061 |
| Science ouverte | 0,011 | 0,057 |
| Intégrité de la recherche | 0,010 | 0,018 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,005 | 0,003 |
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 ».