Evolving discourses of COVID-19 and implications for medical education: a critical discourse analysis
Notice bibliographique
Résumé
Background: The othering of individuals has been identified as a concern during the COVID-19 pandemic. The purpose of this study was to examine public commentary during early stages of the pandemic for: 1) emerging discourses that highlighted population-level inequities, and 2) the implications these discourses may have for medical education. Methods: Using a critical discourse analysis (CDA) approach, an archive of texts available in the public domain discussing COVID-19 was iteratively created, reviewed, and coded. We used an intersectional framework to analyze how COVID-19 highlighted structural and institutional inequity at the population level. Results: We found 86 representative texts published from March to June 2020. We focused our analysis on implications within Ontario. The two major discourses that emerged were "COVID-19 as Equalizer" and "COVID-19 as Discriminator." The former emerged in the early stages of the pandemic to mobilize public health recommendations and describe near-universal impacts on the public. The latter followed to highlight new and pre-existing forms of marginalization exacerbated by the pandemic. Conclusions: This study provides a unique perspective on how structural and systemic responses to COVID-19 were shaped through analysis of public discourse, and therefore, has implications for how the COVID-19 pandemic and future pandemics are framed for future medical learners.
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 | 0,037 | 0,058 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,009 | 0,008 |
| Études des sciences et des technologies | 0,023 | 0,040 |
| Communication savante | 0,015 | 0,010 |
| Science ouverte | 0,003 | 0,009 |
| Intégrité de la recherche | 0,004 | 0,005 |
| 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 ».