Persuasive Data Storytelling with a Data Video during Covid-19 Infodemic: Affective Pathway to Influence the Users' Perception about Contact Tracing Apps in less than 6 Minutes
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
The current pandemic showed us the importance of swiftly disseminating data-based information to the masses of people. This study explores an affect-centered narrative to convey data-driven messages regarding contact tracing apps (CTAs) using video as a medium (i.e., data video). A between-subjects online study compared the effect of three storytelling approaches on viewers' perception. A video developed by Google was selected as the baseline video (Control Condition; 2min 23s) due to its high quality and relevance to CTAs. The central messages of this baseline video were; a) how CTAs work, and b) how safe and effective CTAs are. Infographics supporting these messages were then added to the baseline video (the second condition; 3min 19s); this was a simple data video (DV), and it did not intend to induce specific emotional experiences in participants (i.e., cognition-centered video). Finally, an affect-focused DV (AFDV) was also created by emphasizing the emotion-based narrative aspect of the message (the third condition; 4min 6s). In this video, three cute human-like cartoon characters were introduced. Viewers in this condition needed to process both cognitive and affective information. Note all three videos (i.e., control video, DV, and AFDV) conveyed identical messages. Participants watched one of these three videos only once, and we explored the video effect on their perception. Our results repeatedly indicated the potential benefits of including affect in data storytelling.
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.
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 | 0,001 | 0,000 |
| 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 | 0,002 | 0,000 |
| Communication savante | 0,000 | 0,002 |
| Science ouverte | 0,002 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 découle