Refugees and social media in a digital society
Notice bibliographique
Résumé
The proliferation of social media-based initiatives aimed at asylum seekers and refugees in recent years is evidence of growing interest in the potential of social media for delivering interventions and messages to refugee populations in host countries. However, surprisingly little is currently known about how refugees routinely use and incorporate social media into their everyday lives in host countries, and their motivations for doing so. The aim of the study reported in this paper was to explore how and why young refugees living in Norway use social media in their everyday lives, to identify capabilities associated with this use, and to make connections with well- being. The researchers adopted a qualitative approach, undertaking in-depth interviews with eight young refugees and two key informants involved in running social media sites aimed at refugees. Amartya Sen’s Capability Approach (1987) was used to frame the study and guide the analysis of findings. Findings indicated that participants’ main motivations for using social media were communication, access to information, and learning. Analysis of their reported achievements suggested that social media offered five related capabilities which could have an important role in advancing well-being: effective communication; social connectedness; participation in learning opportunities; access to information; and expression of self. Other findings, such as differences in approach to using social media (‘active’ and ‘passive’ use) are discussed. Although all participants used social media and recognised its importance to their lives, variations in the way they approached and valued it suggest that providers need to consider these factors when using it as a tool to engage refugees.
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 | 0,001 | 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 | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| 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; 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 ».