Policy discourse on AMR in food-producing animals: examining framing and language for effective communication
Notice bibliographique
Résumé
Background: Indiscriminate use of antimicrobials in food-producing animals is a critical driver of antimicrobial resistance (AMR). However, pushback from stakeholders on policies and regulations on antimicrobial use in food-producing animals remains. One important strategy to promote behavioural change is effective communication. Framing, or how issues are constructed to relate to specific interests, is a mechanism to guide sentiment, including of political stakeholders and end-users. Methods: Through a sector-specific approach, we used a combination of inductive and deductive coding to quantitatively determine how risk and rationale for action were framed within portions of policy documents and reports from international organizations focused on food-producing animals and AMR. We also qualitatively examined the frames and language used within the documents, to identify specific narratives used, as well as gaps and opportunities to improve communication for end-user support and political legitimacy. Results: We found that while similar motivational frames are used throughout, they were distributed differently and utilized different narratives. The most frequently used motivational frame, on average, was 'Human Health' (20.9% of all frames used) with 'Animal Health and Welfare' and 'Food Production and Security' second and third, respectively (18.2% and 14.5%). Self-interest frames specific to the farmer or farm worker were rarely used. Conclusions: Specific recommendations include increasing self-interest frames, ensuring accessibility of messaging and considering underlying assumptions. Overall, our findings can improve framing and language to improve resonance on policies surrounding antimicrobial use in food-producing animals. This work provides a framework to systematically analyse framing in documents to compare different sectors or regions.
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 | 0,073 | 0,100 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,005 | 0,004 |
| Études des sciences et des technologies | 0,006 | 0,016 |
| Communication savante | 0,010 | 0,013 |
| Science ouverte | 0,002 | 0,008 |
| Intégrité de la recherche | 0,002 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 ».