“<i>When Are We Going to Hold Orthorexia to the Same Standard as Anorexia and Bulimia?</i>” Exploring the Medicalization Process of Orthorexia Nervosa on Twitter
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
This study contributes to understanding medicalization on social media, by using Conrad’s concept of medicalization as a theoretical framework to explore the conversation about Orthorexia Nervosa (ON) on Twitter. The aim of this mixed-methods study was twofold: the quantitative component aimed to provide descriptive information on the type of tweets and users, as well as on the network structure of the ON-related conversation on Twitter, while the qualitative component aimed to explore how the medicalization of ON unfolds on Twitter by performing a thematic analysis of original tweets about ON. Quantitative descriptive findings show that the most popular hashtags associated with orthorexia include #rdchat, #psychology and #doctors, which hints to a link between discourses around ON and the medical profession. Among the most active, prominent and visible users are news accounts, a registered dietitian, a researcher, a professor and an editor. Qualitative thematic analysis shed light on the discursive process of medicalization. Some users bring about medicalization by approaching ON as a medical entity; in contrast, other users resist medicalization by describing ON as a social phenomenon. A discursive struggle emerges, where certain individuals feel confused around what constitutes ON. This leads to stigmatization of non-traditional diets like veganism, which in turn triggers complaints regarding over-medicalization. As the first Twitter investigation on ON, this study serves the purpose of providing insights into how an emerging disorder develops in society in a time of social media.
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.
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 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| 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 | 0,000 |
| 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 découle