Social justice and social media: How medical schools display critical consciousness online
Notice bibliographique
Résumé
Academic medical institutions have a pivotal role in addressing the inequalities faced by marginalized populations, especially by promoting values of social justice on online platforms that not only reach the medical sphere, but also the broader public. Central to this transformative agenda is the framework of critical consciousness (CC), which compels individuals to develop an acute awareness of societal inequalities and power dynamics and act as agents of change against inequalities across society. To investigate if and how medical schools use X (formerly Twitter) to display CC, tweets from March 22 - June 22, 2023 from all available Canadian medical school Twitter accounts were obtained and deductively coded. First, a content analysis was performed to collate and categorize tweets related to CC, followed by a critical discourse analysis with a CC framework to examine the role of language in conveying messages about equity and medical education. Of the 3442 tweets reviewed, 554 displayed CC (16.12%). The content analysis revealed that Empowerment of Marginalized Populations was the most prominent display of CC amongst tweets (n = 286), whereas there was a paucity of messaging around Intersectionality (n = 20). The critical discourse analysis revealed that language was purposefully used to positively spotlight equity-deserving individuals (e.g., "celebrate" and "recognize") with minimal dialogue framing institutions as agents of systemic power differentials. Medical schools ultimately advocate for positive change by sharing awareness-raising content that celebrate marginalized communities. However, the step beyond surface-level awareness-raising content towards critical self-reflection that acknowledged institutions' roles in perpetuating inequities was largely limited; this represents a missed opportunity to leverage the power of social media and engage in meaningful dialogue online to build trust between the healthcare sector and the public.
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 | 0,011 | 0,039 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,005 | 0,003 |
| Études des sciences et des technologies | 0,012 | 0,015 |
| Communication savante | 0,017 | 0,014 |
| Science ouverte | 0,001 | 0,011 |
| Intégrité de la recherche | 0,002 | 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 ».