How to make a collaborative videography using Phygital affordances to study sensitive topics
Notice bibliographique
Résumé
Purpose The physical filmmaking landscape has been transformed by the emergence of digital platforms that foster interaction and dialogue. The accessibility and affordability of mobile production tools have empowered anyone with a mobile phone to become a media content creator. Accordingly, this paper aims to present a multi-method approach for creating phygital projects that involve people as active participants rather than mere subjects who collaborate with the researchers to tell their stories. Design/methodology/approach Research participants can embrace diverse roles, serving as co-researchers, content creators, curators and collaborators. The authors use various engagement strategies with the research participants, who are often marginalized or underrepresented, to encourage their participation and give them agency and creative control. Thus, we also use a participatory action research approach to help advocate for the participants’ facial equality concerns. Findings Collaborative videography embraces the mosaic of voices expressing intricate social issues. In this project, research participants with “facial differences” explain their experiences in facing society. Originality/value By experimenting with participatory frameworks and combining physical interactions (such as in-person meetings) with digital platforms like Zoom and social media, the authors suggest a multi-method approach that honors the authentic stories of the research participants, effectively engages the audience and explains how phygital research methodologies can be used in interpretive consumer research, particularly in co-creating films that capture strong visuals.
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 | 0,007 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,004 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 ».