Sex Workers’ Lived Experiences With COVID-19 on Social Media: Content Analysis of Twitter Posts
Notice bibliographique
Résumé
BACKGROUND: The COVID-19 pandemic has drawn attention to various inequalities in global societies, highlighting discrepancies in terms of safety, accessibility, and overall health. In particular, sex workers are disproportionately at risk due to the nature of their work and the social stigma that comes alongside it. OBJECTIVE: This study examines how public social media can be used as a tool of professional and personal expression by sex workers during the COVID-19 pandemic. We aimed to explore an underresearched topic by focusing on sex workers' experiences with the ongoing COVID-19 pandemic on the social media platform Twitter. In particular, we aimed to find the main issues that sex workers discuss on social media in relation to the COVID-19 pandemic. METHODS: A literature review followed by a qualitative analysis of 1458 (re)tweets from 22 sex worker Twitter accounts was used for this study. The tweets were qualitatively coded by theme through the use of intercoder reliability. Empirical, experimental, and observational studies were included in this review to provide context and support for our findings. RESULTS: In total, 5 major categories were identified as a result of the content analysis used for this study: concerns (n=542, 37.2%), solicitation (n=336, 23.0%), herd mentality (n=231, 15.8%), humor (n=190, 13.0%), and blame (n=146, 10.0%). The concerns category was the most prominent category, which could be due to its multifaceted nature of including individual concerns, health issues, concerns for essential workers and businesses, as well as concerns about inequalities or intersectionality. When using gender as a control factor, the majority of the results were not noteworthy, save for the blame category, in which sexual and gender minorities (SGMs) were more likely to post content. CONCLUSIONS: Though there has been an increase in the literature related to the experiences of sex workers, this paper recommends that future studies could benefit from further examining these 5 major categories through mixed methods research. Examining this phenomenon could recognize the challenges unique to this working community during the COVID-19 pandemic and potentially reduce the widespread stigma associated with sex work in general.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,003 | 0,015 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,004 | 0,004 |
| Études des sciences et des technologies | 0,002 | 0,002 |
| Communication savante | 0,003 | 0,004 |
| Science ouverte | 0,000 | 0,003 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 source (Gemma direct ou Codex distillé), 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 ».