Focus Groups as a Tool to Collect Data in a Community Informatics Project Involving Elderly Rural Women
Bibliographic record
Abstract
English abstractFocus group research is increasingly being used as a tool when working with traditionally marginalised communities. This paper describes a case study of how focus groups were used as a data-gathering tool by a research team working with middle-aged women in a remote rural community to design an ICT platform which meets their specific needs. The paper makes a methodological contribution by making a normative comparison between traditional focus groups and a community-based focus group in a rural community in South Africa. Feminist and critical views are discussed as sensitising dimensions and techniques for a community-based focus group approach. A description is given of the informed consent process and how the focus group discussions were piloted and are being used as a data-gathering tool. To date six focus groups have been conducted with a number of participants ranging from fifteen to twenty-three women per focus group. Extracts from the focus group discussions are given to show how appropriate this approach is in a rural community where the culture is inherently oral and decisions are reached by consensus. Group interaction, the need for openness and transparency, and the assurance that everybody gets the same information and is given the opportunity to voice their opinions, are very important in rural communities.French abtract -RÉSUMÉ Cet article décrit une étude de la façon dont les groupes de discussion ont été utilisés comme un outil de collecte de données, par une équipe de recherche qui travaille avec les femmes d'âge moyen, dans une communauté rurale éloignée de la conception d'un forum pour la technologie de communication et de l’information (TCI) qui répondent à leurs besoins spécifiques . L’article apporte une contribution méthodologique en faisant une comparaison normative entre les groupes de discussion traditionnels et un groupe de discussion communautaire dans une communauté rurale en Afrique du Sud. Des vues féministes et critiques sont discutées comme dimensions de sensibilisation et techniques pour une approche de groupe de discussion communautaire. Une description est donnée du processus de consentement annoncée et la façon dont les groupes de discussion ont été mis à l'essai et sont utilisés comme un outil de collecte de données. À ce jour, six groupes de discussion composés d'une moyenne de vingt-trois femmes chacun ont été etudiés . Des extraits des discussions de groupe sont presentés pour montrer comment cette approche est appropriée dans une communauté rurale où la culture est intrinsèquement orale et les décisions prises par consensus. L'interaction en groupe, le besoin d'ouverture et de transparence, et l'assurance que tout le monde reçoit la même information et a la possibilité d'exprimer leurs opinions, sont très importants dans les communautés rurales.Russian abstract - РЕЗЮМЕ Эта статья описывает конкретный пример того, как фокус группы были использованы в качестве инструмента сбора данных группой исследователей, работающих с женщинами среднего возраста в отдаленной сельской общине для проектирования артефакта ИКТ, которая отвечает их конкретным потребностям. Методологический вклад статьи в нормативном сравнении между традиционными фокус-группами и общинными фокус-группами в сельской общинe в Южной Африке. Феминистские и критические взгляды обсуждаются в качестве сенсибилизирующих размерностей и методов подходящих для общинных фокус-групп . Дано описание процесса обоснованного согласия и как дискуссии в фокус-группах были опробованы и используются в качестве инструмента для сбора данных. На сегодняшний день шесть фокус-групп были опробированы, состоящих в среднем из двадцати трех женщин каждая. Выдержки из обсуждений в фокус-группах показывают, как хорошо подходит этот метод в сельской общине, где культура по своей сути устная и решения на основе консенсуса. Взаимодействие в группах, потребность в открытости и ясности, а также уверенность в том что каждый получает ту же информацию и имеет возможность высказать свое мнение, очень важны в сельских общинах.
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame machine prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. The Gemma side is a direct model label for every work in the frame, read from the title-only record. The Codex side is a classifier learned from the 10,348 direct Codex labels and calibrated to design-weighted sample rates; fields without enough sample support carry no Codex call. Candidate is the union of the two sides; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels.
Distilled classifier scores by category (both heads)
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.054 | 0.046 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.003 | 0.002 |
| Science and technology studies | 0.009 | 0.004 |
| Scholarly communication | 0.002 | 0.003 |
| Open science | 0.002 | 0.006 |
| Research integrity | 0.002 | 0.001 |
| Insufficient payload (model declined to judge) | 0.004 | 0.001 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; a candidate call from one source (direct Gemma or distilled Codex), not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".