Meme-ifying Data: The Rise of Public Health Influencers on Instagram, TikTok, and Twitter during Covid-19
Notice bibliographique
Résumé
This article argues for the importance of the memetic tactic of bricolage within contemporary social media science communication for its capacity to curate and distill approachable, accessible, and shareable Covid-19 content. We suggest that the social media communication practices of what we call ‘public health influencers’ (PHIs) on Instagram, Tik Tok, and Twitter make use of memetic bricolage techniques of stop motion, collage, infographics, and placarding, coupled with an ethos of ‘micro-celebrity,’ in order to advance stalled public conversations and to reorient the spread of disinformation back to evidence-based facts. To make this argument, we analyze the cross-platform social media work of three key PHIs during the pediatric vaccination campaigns of late 2021 within our local context of Ontario, Canada to reflect on the effectiveness of social media presence, communication, and advocacy. Through memetic tactics, we argue that PHIs’ efforts to engage the public are driven by a larger impulse to combat health inequities that are exacerbated by the different forms of disinformation circulating on social media. Ultimately, this article illustrates how the concerted effort against disinformation by PHIs on social media via memes contributes to advocacy for more accessible, just, and equitable health care for Ontarians.
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 | 0,009 | 0,033 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,005 | 0,005 |
| Études des sciences et des technologies | 0,014 | 0,014 |
| Communication savante | 0,012 | 0,010 |
| Science ouverte | 0,001 | 0,012 |
| Intégrité de la recherche | 0,003 | 0,004 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,006 | 0,001 |
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 ».