P-14 The best death I’ve ever witnessed: examining responses to new narratives around end of life choice
Notice bibliographique
Résumé
<h3>Background</h3> Dr David Juurlink recently used Twitter (18 May 2019) to describe why one of his patients requested assistance to die under Canada’s Medical Aid in Dying (MAiD) law. Dr Juurlink’s tweet has over 31k retweets, 71k likes and 1.2k comments. <h3>Aims</h3> To analyse responses to Dr Juurlink’s tweet. <h3>Methods</h3> A thematic analysis of responses to Dr Juurlink’s tweet was conducted. <h3>Results</h3> Responses were overwhelmingly positive. Expressing gratitude: ‘…<i>Thank you for being open-minded and respectful of her and her families wishes. Thank you for easing her pain … thank you to MAiD who gave her dignity and autonomy on her last journey</i>.’ Sharing experiences: ‘<i>Thank you for sharing... I painfully watched my mother take a week to pass away when the end was inevitable. It will haunt me for the rest of my life</i>.’ Segueing into broader end-of-life issues: ‘…<i>your patient was able to bring her life to a close in comfort and with dignity not only because of MAiD, but also her willingness to openly discuss her mortality and wishes with both her MDs and her family …’</i> ‘<i>As an anesthesiologist (who is often the first to have a goals of care discussion with a surgical patient) & </i><i>also as a daughter of a father who died in an ICU w the support of #palliativecare, I thnk u... We need to be having these conversations</i>’ And also prompting different perspectives on MAiD: ‘…<i>Hospice is what she needed! It already exists and would have had the same outcome …’</i> <h3>Conclusions</h3> As more jurisdictions legalise assisted dying, stories such as Dr Juurlink’s will increasingly enter public discourse. Assisted dying narratives can be used to promote broader conversations around death and dying. Twitter seems a receptive environment for narratives to be shared and discussed.
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 | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| 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; un appel candidat d’une seule tête enseignante, 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 ».