Media framing of emergency departments: a call to action for nurses and other health care providers
Notice bibliographique
Résumé
BACKGROUND: As part of a larger study focused on interventions to enhance the capacity of nurses and other health care workers to provide equity-oriented care in emergency departments (EDs), we conducted an analysis of news media related to three EDs. The purpose of the analysis was to examine how media writers frame issues pertaining to nursing, as well as the health and social inequities that drive emergency department contexts, while considering what implications these portrayals hold for nursing practice. METHODS: We conducted a search of media articles specific to three EDs in Canada, published between January 1, 2018 and May 1, 2019. Media items (N = 368) were coded by story and theme attributes. A thematic analysis was completed to understand how writers in public media present issues pertaining to nursing practice within the ED context. RESULTS: Two overarching themes were found. First, in ED-related media that portrays health care needs of people experiencing health and social inequities, messaging frequently perpetuates stigmatizing discourses. Second, media writers portray pressures experienced by nurses working in the ED in a way that evades structural determinants of quality of care. Underlying both themes is an absence of perspectives and authorship from practicing nurses themselves. CONCLUSIONS: We recommend that frontline nurses be prioritized as experts in public media communications. Nurses must be supported to gain critical media skills to contribute to media, to destigmatize the health care needs of people experiencing inequity who attend their practice, and to shed light on the structural causes of pressures experienced by nurses working within emergency department settings.
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 | 0,000 |
| 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 ».