Macht en dialoog: een review van discursief onderzoek
Bibliographic record
Abstract
Bij collaboratieve-dialogische benaderingen van gezinstherapie wordt de cliënt als expert gezien en zijn de verschillende perspectieven gelijkwaardig. Dit heeft geleid tot discussie over de manier waarop macht binnen dialogische therapieën geconceptualiseerd kan worden. Daarbij hebben wetenschappers theorieën gevormd overen onderzoek gedaan naar macht als iets sociaals dat tot stand komt via interacties. Via een review van discursief onderzoek van therapeutische gesprekken willen we meer inzicht krijgen in macht binnen de dialogische therapie. Daarom hebben we systematisch literatuuronderzoek gedaan met behulp van de bibliografische databases PsycINFO, PubMed en CINAHL. Aan de hand van discursief onderzoek van collaboratief-dialogische therapiesessies hebben we de bevindingen van 18 studies onderzocht en gekeken naar de relatie met macht binnen de interacties. Daaruit blijkt dat de nadruk vooral op de therapeut ligt en veel minder op de cliënt. De therapeut komt naar voren als katalysator van de dialoog die geringe of actieve respons gebruikt ter bevordering van de dialogische gesprekken. De therapeut gebruikt macht ook als gevolg van bredere institutionele en sociale verplichtingen die niet overeen kunnen komen met sommige interpretaties van de dialogische therapie. We kijken naar de implicaties voor de praktijk, waar het gebruik van macht om een sessie richting te geven de dialogische interacties stimuleert.
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 | 0.036 | 0.129 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.004 | 0.005 |
| Bibliometrics | 0.013 | 0.013 |
| Science and technology studies | 0.002 | 0.004 |
| Scholarly communication | 0.009 | 0.010 |
| Open science | 0.003 | 0.005 |
| Research integrity | 0.003 | 0.005 |
| Insufficient payload (model declined to judge) | 0.012 | 0.002 |
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".