Digital Storytelling: Navigating Individual and Emerging Professional Selves Through Medical Memes
Notice bibliographique
Résumé
Background Socialization is a critical process for professional identity formation (PIF), but little is known about how this occurs through online engagement. Objective To explore how Taiwanese medical trainees form professional identities on social media through engagement with medical memes. Methods Using a conceptual framework that examined the dual focus of PIF as a negotiation between personal and professional selves, a descriptive qualitative analysis of medical memes was implemented. In total, 369 memes from a resident’s popular Facebook fan page were analyzed using content analysis. Textual and visual elements of memes were analyzed to understand how trainees expressed their individuality, how they conformed to professional norms, and the tensions they experienced. Eighteen codes emerged and were categorized into levels of individual, relational, organizational, and societal. Comments were also analyzed to understand respondents’ engagement with memes and support of the PIF process. Results Findings show insights into how medical trainees navigate the dual focus of PIF on multiple levels: the individual and the collective (relational, organizational, and societal). Trainees’ engagement with memes highlighted the identity dissonance they experienced as they negotiated losing parts of their individual selves while learning how to conform to organizational norms. Memes allow trainees to reflect on how they experience misalignments between what they expect from the learning environment and workplace realities. Conclusions Online socialization through engagement with medical memes supports the development of PIF; however, it also provides space for trainees to express resistance, share negative experiences, and gain peer solidarity during difficult professional transitions.
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 distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,002 | 0,012 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 tête enseignante, 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 ».