Unveiling the Essence of Migrant Care Workers' Online Video Narratives: An Interpretive Phenomenological Analysis
Notice bibliographique
Résumé
This phenomenological analysis explores the essence of migrant care workers' online video narratives in Canada. Each year, more than 67 million individuals, primarily women, migrate as domestic workers from their home countries to higher-income nations. These countries, including Canada, rely on international migrants to boost their national economies, stimulate population growth, and address labour shortages. However, the pathway to permanent residency in Canada often exposes migrant care workers to abuse and exploitation, further exacerbated by the COVID-19 pandemic. In response, migrant care workers and advocacy organizations have utilized online platforms like YouTube to share personal narratives. This study examined nine narratives from two YouTube videos to uncover their content, storytelling techniques, and underlying meanings. Three main themes emerged: (1) communicating a sense of identity beyond care work, (2) unveiling the consequences of COVID and immigration policies, and (3) calling for action from the Canadian government. Through coding, clustering, and interpretation, the analysis revealed that the narratives underwent mediation by storytellers, editors, multimedia elements, and online platforms, resulting in both advantages and disadvantages. Care workers and advocacy organizations, intentionally or unintentionally, leveraged these advantages and disadvantages to empower the community and advocate for social justice. Understanding the essence of these online video narratives sheds light on the experiences of migrant care workers in Canada, amplifies their voices, and highlights their pursuit of social change. This analysis contributes to the broader literature on marginalized communities' digital storytelling and underscores multimedia narratives' power in advocating for justice.Cette analyse phénoménologique explore l'essence des récits vidéo en ligne des travailleurs domestiques migrants au Canada. Chaque année, plus de 67 millions de personnes, principalement des femmes, migrent en tant que travailleurs domestiques de leur pays d'origine vers des pays à revenus plus élevés. Ces pays, dont le Canada, comptent sur les migrants internationaux pour dynamiser leur économie nationale, stimuler la croissance démographique et remédier aux pénuries de main-d'œuvre. Cependant, la voie vers la résidence permanente au Canada expose souvent les travailleurs sociaux migrants à des abus et à l'exploitation, encore exacerbés par la pandémie de COVID-19. En réponse à cette situation, les travailleurs sociaux migrants et les organisations de défense des droits ont utilisé des plateformes en ligne telles que YouTube pour partager des récits personnels. Cette étude a examiné neuf récits tirés de deux vidéos YouTube afin d'en découvrir le contenu, les techniques de narration et les significations sous-jacentes. Trois thèmes principaux ont émergé : (1) communiquer un sentiment d'identité au-delà du travail de soins, (2) dévoiler les conséquences de la COVID et des politiques d'immigration, et (3) demander au gouvernement canadien d'agir. Grâce au codage, au regroupement et à l'interprétation, l'analyse a révélé que les récits ont subi la médiation de conteurs, d'éditeurs, d'éléments multimédias et de plates-formes en ligne, ce qui a entraîné à la fois des avantages et des inconvénients. Les travailleurs sociaux et les organisations de défense des droits, intentionnellement ou non, ont tiré parti de ces avantages et de ces inconvénients pour renforcer les capacités de la communauté et plaider en faveur de la justice sociale. Comprendre l'essence de ces récits vidéo en ligne permet d'éclairer les expériences des travailleurs sociaux migrants au Canada, d'amplifier leurs voix et de mettre en lumière leur quête de changement social. Cette analyse contribue à la littérature plus large sur les récits numériques des communautés marginalisées et souligne le pouvoir des récits multimédias dans la défense de la justice.
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 | 0,006 | 0,011 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,004 | 0,004 |
| Études des sciences et des technologies | 0,017 | 0,020 |
| Communication savante | 0,009 | 0,005 |
| Science ouverte | 0,003 | 0,006 |
| Intégrité de la recherche | 0,002 | 0,003 |
| 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 ».