Building the Legitimacy of Whistleblowers: A Multi‐Case Discourse Analysis
Notice bibliographique
Résumé
ABSTRACT Evidence suggests that society still does not view whistleblowers as wholly legitimate—despite legal protections now offered in some jurisdictions, such as the United States. Drawing on a discourse analysis (i.e., an examination of statements), we investigate the well‐publicized stories of seven whistleblowers from 69 sources, including books, first‐ and second‐hand interviews, websites, and videos. Our focus is to examine how whistleblower discourses can build legitimacy by more tightly defining the whistleblower role and demonstrating its alignment with social norms. Using whistleblower self‐narratives, we identify four narrative patterns: (i) Trigger(s)—the event(s) leading to whistleblowing; (ii) Personality traits—whistleblower's morality, resourcefulness, and determination; (iii) Constraints—barriers requiring regulatory and organizational change; and (iv) Consequences—the longer term positive impact of the whistleblowing act. These patterns rely on symbolic, analogical, and metaphorical framing to allow others to better understand the role of whistleblowers and enlist their support. Exploring a data set of 1,621 press articles, we find indications that these narrative patterns resonate in the media—which provide a form of support and may be instrumental in legitimizing the whistleblower role. Grounded on these results, we develop a legitimacy construction model of the whistleblower role, that is, a representation of how role legitimacy is produced and sustained. From this model, we identify a number of important areas for future research.
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 distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,033 | 0,028 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,007 |
| Études des sciences et des technologies | 0,001 | 0,002 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,002 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
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; les deux têtes enseignantes s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».