Social media opposition to the 2022/2023 UK nurse strikes
Notice bibliographique
Résumé
Previous research has established that the success of strikes, and social movements more broadly, depends on their ability to garner support from the public. However, there is scant published research investigating the response of the public to strike action by healthcare workers. In this study, we address this gap through a study of public responses to UK nursing strikes in 2022-2023, using a data set drawn from Twitter of more than 2300 publicly available tweets. We focus on negative tweets, investigating which societal discourses social media users draw on to oppose strike action by nurses. Using a combination of corpus-based approaches and discourse analysis, we identified five categories of opposition: (i) discourse discrediting nurses; (ii) discourse discrediting strikes by nurses; (iii) discourse on the National Health System; (iv) discourse about the fairness of strikers' demands and (v) discourse about potential harmful impact. Our findings show how social media users operationalise wider societal discourses about the nursing profession (e.g., associations with care, gender, vocation and sacrifice) as well as recent crises such as the Covid-19 pandemic to justify their opposition. The results also provide valuable insights into misconceptions about nursing, strike action and patient harm, which can inform strategies for public communication.
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 | 0,035 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,003 | 0,002 |
| Études des sciences et des technologies | 0,006 | 0,008 |
| Communication savante | 0,010 | 0,006 |
| Science ouverte | 0,001 | 0,007 |
| Intégrité de la recherche | 0,003 | 0,003 |
| 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 ».