Research and Publications

فایل نوشتاری کارگاه هفتگی کلابهاوس در ۲۳ مرداد: آنتالوژی دیتا در تحقیقات در عصر جدید👇

درود دوستان تا بیست دقیقه دیگر کارگاه امشب ما در کلابهاوس شروع میشود

hey - you should join us Friday 14 August یا ۲۳ مرداد at 11:30am Tehran time (06:00 pm Sydney time) for "چیستی دیتا در تحقیقات مدرن: سری جلسات روشهای تحقیق کیفی". https://www.clubhouse.com/i/چیستی-دیتا-در-تحقیقات-مدرن-سری-جلسات-روشهای-تحقیق-کیفی/RWy4P6cw

hey - you should join us Friday 14 August یا ۲۳ مرداد at 11:30am Tehran time (06:00 pm Sydney time) for "چیستی دیتا در تحقیقات مدرن: سری جلسات روشهای تحقیق کیفی". https://www.clubhouse.com/i/چیستی-دیتا-در-تحقیقات-مدرن-سری-جلسات-روشهای-تحقیق-کیفی/RWy4P6cw

درود دوستان گرامی. دوره جدید هفتگی کلابهاوس از همین جمعه ۲۳ مرداد آغاز خواهد شد. این جلسات برای همگان قابل استفاده است چه اعضای قدیمی و چه تازه واردان. شرط اساسی، دانش عمومی در روشهای تحقیق است والا شما شاید از جلسات استفاده کامل را نبرید. نگاهی بسیار متفاوت و انقلابی در تحقیق کیفی خواهیم داشت در عصری که هوش مصنوعی و الگوریتمهای مختلف ما را احاطه کرده اند. بنظر من، بدون یک آپدیت اساسی در ادراکمان از تحقیق، همه ما در آینده دچار مشکلات زیادی در کار و حرفه خود خواهیم شد. در اولین هفته مروری فهرست واریز خواهیم داشت از چند هفته ماه های اکتبر . نوامبر .‌دسامر سال ۲۰۲۵, شاید نیم‌ساعت، و سپس بحث اساسی را در باره دیتای تحقیق در عصر حاضر خواهیم داشت. این جلسه شاید اساسی ترین جلسه در کل طول هفت جلسه آینده خواهد بود. همین جمعه ۱۴ آگوست ساعت ۱۱:۳۰ صبح بوقت تهران و ۶:۰۰ عصر بوقت سیدنی. بامید دیدار شما 🌺🌺

دنباله فصول کتاب بالا: فصول ۱ تا ۴ را قبلاً پست کردم. فصل پنجم 👇

ضمنا اگر اوضاع کشور آرامتر شود وورک شاپ های هفتگی را مجددا شروع خواهیم کرد.تمرکز روی هوش مصنوعی و تحقیق کیفی خواهد بود و در واقع مباحث قبل را ادامه خواهیم داد. منتهی در یک یا دو جلسه اول، خلاصه ای از چند جلسه آخر مرور خواهد شد تا همگی در یک سطح ادامه دهیم و افراد جدید هم بتوانند استفاده کنند. اگر پیشنهادی دارید ممنون میشوم بفرمایید .

8.6.3 Case-Based Reasoning Algorithms 8.6.4 Genetic Algorithms   Chapter 9. Validation, Reflexivity, and Governance in QDA/DS 9.1 Validity in QDA/DS 9.1.1 Interpretive Validation (IV) 9.1.2 Model-Aware Validation 9.1.3 Theoretical Validation 9.1.4 Ethical and Consequential Validation 9.2 Reflexibility in QDA/DS 9.3 Governance in QDA/DS   Chapter 10. Awareness Levels of Human and AI in QDA/DS  10.1 NABAF-Aware Neural Network 10.2 NABAF Complementary Frameworks 10.3 Proposed QDA/DS Collaboration-Aware Framework 10.3.1 Level 1 — Data Ingestion Awareness 10.3.2 Level 2 — Computational / Structural Awareness 10.3.3 Level 3 — Interpretive Awareness 10.3.4 Level 4 — Critical / Reflexive Awareness 10.3.5 Level 5 — Meta-Awareness (Paradigm Awareness) 10.4 Comparative Analysis of NABAF-Aware Network and QDA/DS Collaboration-Aware Framework   Chapter 11. QDA/DS in Social, Organisational, and Policy Research 11.1 Shared Characteristics 11.1.1 Human-Centred and Meaning-Dependent 11.1.2. Embedded in Complex, Adaptive Systems 11.1.3. Strong Context Dependence 11.1.4. Multi-Level Structure (Micro–Meso–Macro) 11.1.5. Normative and Value-Laden 11.1.6. Action- and Impact-Oriented 11.1.7. Pluralistic Methodological Logic 11.1.8. Contested Knowledge and Interpretive Disagreement 11.2 QDA/DS in Social Research 11.3 QDA/DS in Organisational Research 11.4 QDA/DS in Policy Research 11.4.1 Validation and Rigor in QDA/DS Policy Research 11.4.2 Ethical Advantages in QDA.DS Policy Contexts   Chapter 12. QDA/DS in Health, Technology, and Digital Societies 12.1 Shared Characteristics 12.2 Health Research Pipeline 12.2.1 QDA/DS Health Research Topics 12.2.2 Validity, Rigor, and Ethics in QDA/DS Health Research 12.3 QDA/DS in Technology Research 12.3.1 Problem Framing 12.3.2 Data Ingestion 12.3.3 Computational Structuring 12.3.4 Qualitative Coding and Pattern Formation Stage 12.3.5 Conceptual and Theoretical Modelling 12.3.6 Validation, Reflexivity and Governance 12.3.7 Meta-Design and Knowledge Translation 12.4 QDA/DS in Digital Societies Research 12.4.1 QDA/DS Pipeline for Digital Societies Research 12.4.2 Unique Features of QDA/DS in Digital Societies Research   Chapter 13 Beyond QDA/DS: From Hybrid Methodology to Epistemic Futures 13.1 Directions Beyond QDA/DS 13.1.1 Direction 1: From research method to epistemic infrastructure 13.1.2 Direction 2: From sense-making to normative world-building 13.1.3 Direction 3: From human-in-the-loop to plural intelligence systems 13.2 Extension of QDA/DS Awareness Levels 13.2.1 Level 6 — Civilisational / Epistemic Awareness 13.2.2 From Meta-Architecture to Civilisational Awareness 13.2.3 Re-Conceptualisation of Interpretation 13.2.4 From Human-in-the-Loop to Plural Intelligence Systems 13.2.5 Epistemic Justice and Politics of Meaning 13.3 Reframing Purpose of QDA/DS 13.4 What “Beyond QDA/DS” Is Not

Author: Farhad Daneshgar Title: “Qualitative Research Architecture in the Age of AI: A Research Design Perspective” 290 pages ISBN:              Soft cover: 978-1-4705-0143-3 (under 30 Australian dollars)                         eBook: 978-1-4705-0142-6 (I believe, under $15 Australian dollars) Published by: Xlibris Publishing Ordering details:         orders@xlibris.com.au                                     www.xlibris.com.au       Chapter 1. The Crisis of Contemporary Research Methodologies 1.1 Fragmentation between Three Research Traditions 1.2 What Is QDA/DS? 1.2.1 Dimensions of QDA/DS 1.2.2 QDA/DS Response to Contemporary Crisis 1.3 Tools and Data Types 1.4 Chapter Summary   Chapter 2. Philosophical Foundations of QDA/DS 2.1. QDA/DS Epistemological and Ontological Assumptions 2.2. Research Methodology  2.2.1 No “ground truth” labels 2.2.2 Granularity, abstraction, and emergent constructs 2.3 Axiology and Ethics 2.3.1 Bias 2.3.2 Reflexivity 2.3.3 Accountability 2.3.4 Transparency   Chapter 3. Research Framework 3.1 QDA/DS Design Framework 3.2 Stages of QDA/DS Design Framework 3.2.1 Problem Definition Stage 3.2.2 Data Understanding Stage 3.2.3 Data Preparation Stage 3.2.4 Data Modelling Stage 3.2.5 Evaluation Stage 3.2.6 Deployment Stage 3.2.7 Monitoring and Maintenance Stage 3.2.8 Communication and Iteration Stage   Chapter 4. Research Pipeline 4.1 Background 4.2 Stages of QDA/DS research Pipeline 4.2.1 Research Framing and Epistemic Positioning 4.2.2 Data Ingestion and Governance 4.2.3 Exploratory Scanning and Pattern Surfacing 4.2.4 Human-Centered Interpretation and Memoing 4.2.5 Reflexive and Bias Interrogation 4.2.6 Iterative Re-Analysis and Assessing Theoretical Sensitivity 4.2.7 Validation, Trustworthiness and Transparency 4.2.8 Theory Building, Reporting and Meta-Reflection   Chapter 5. Data and Sampling Logic 5.1. Sampling 5.1.1 Purposive Sampling Strategy 5.1.2 Theoretical Sampling Strategy 5.1.3 Other Sampling Strategies and Single Adaptive Logic 5.1.4 AI-assisted expansion 5.2. Sampling Frame  5.2.1 Sampling Frame and Generalizability of Results 5.2.2 Sampling Frame and Theory Development 5.3 Data Ontology in QDA/DS: From Measurement to Expression 5.3.1 Data as Expressive, Situated and Intentional 5.3.2 Difference between “data points” and “meaning-bearing expressions” 5.3.3 Polysemy, Context-Dependence, and Performativity of Data 5.3.4 Implications for Corpus Construction 5.4 Granularity, Unit of Analysis, and Multi-Level Sampling 5.4.1 Micro / meso / macro levels (words → episodes → discourses) 5.4.2 Sampling Units vs Analytical Units 5.4.3 Cross-level Sampling Tensions 5.4.4 Fragmentation vs Coherence in AI Pipelines 5.5 Models for AI-Assisted Data Selection and Sampling Expansion 5.6 Iterative and Theoretical Sampling in QDA/DS Pipelines   Chapter 6. Theory Development: Coding and Data Models 6.1 Coding Methods 6.1.1 Open Coding 6.1.2 In-vivo Coding 6.1.3 Thematic Coding 6.1.4: AI Coding Tools and Technologies 6.2 Converting Unstructured Data into Structured Data 6.3 Data Models in QDA/DS 6.3.1 Conceptual and Theoretical Data Models 6.3.2. Computational and Structural Data Models      6.3.3. Data Representation Models 6.3.4 Emerging Trends in AI Modelling 6.4 Explainability Across QDA/DS Pipeline   Chapter 7. Theory Development: Clustering 7.1 Clustering Functions Across QDA/DS Pipeline 7.2 Evaluation of Clustering 7.2.1 Dissimilarity/Similarity Metric 7.2.2 Variable Weights 7.2.3 Cluster Quality 7.3 AI Clustering Algorithms 7.4 QDA/DS Clustering vs Coding in Qualitative Research 7.5 Clustering Examples    Chapter 8. Theory Development: Classification 8.1 Role of Classification in QDA/DS Pipeline 8.2 Supervised learning 8.3 Types of Classification 8.3.1 Theory-informed classification 8.3.2 Emergent-to-Formal Classification (EFC) 8.3.3 Human-in-the-loop AI classification 8.3.4 Multi-label Qualitative Classification (MLQC) 8.4 Classification Validity, Rigor, and Ethics 8.5 Classification vs. Regression 8.6 Classification Algorithms 8.6.1 Statistical Algorithms 8.6.2 Machine Learning (ML) Algorithms

درود دوستان گرامی. بالاخره کتاب آخرمن چاپ شد و من میتوانم با آزادی بقیه فصلهای کتاب را اینجا بتدریج برایتان پست کنم. برای کسانیکه مایلند خریداری کنند من اطلاعات مربوطه را در پست بعدی خواهم گذاشت