FutureCoast: A Playful Way to Assess Public Perceptions for Better Climate Change Communication
Notice bibliographique
Résumé
We examine how the FutureCoast storytelling game creates an accessible, online space to explore the climate problem and its impacts, as well as to glean insights regarding player perceptions. Through FutureCoast, players imagine a climate-changed future by creating stories about an altered world. A total of 251 voicemail responses generated from game participants recruited through social media and other channels were coded and analyzed. Subject engagement with the storytelling game provided valuable data about climate change understanding, as well as rich, player-created narratives that document the complexity of public thinking about climate-changed futures. Commonly occurring themes include Adaptation, Challenge, Technology, Weather, Governance and Policy, and Food. FutureCoast participants perceived optimistic scenarios for technology, energy and mitigation, and pessimistic scenarios for weather, food, water and adaptation. From FutureCoast stories, we gain an understanding of public perceptions toward climate issues that can help communicators develop more informed and effective climate change communication strategies. Key policy highlightsThrough playful approaches, such as FutureCoast, we can gain an understanding of public perceptions toward climate issues that can help communicators develop more informed and effective climate change communication strategies.Using novel approaches such as games to understand perceptions can elicit information from people who would otherwise not engage in surveys or other research methods.An innovation of the FutureCoast approach is its ability to produce rich, player-created narratives, which can be analyzed to uncover complex thinking about climate-changed futures. Responses may reveal where the public identifies and voices emerging issues earlier than experts.Identifying optimistic and pessimistic trends around climate issues gives communicators the opportunity to re-frame negative climate perceptions toward actions and solutions, thus empowering their audiences with information that can elicit climate action.
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 | 0,004 | 0,018 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,003 | 0,003 |
| Science ouverte | 0,001 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,015 | 0,002 |
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 ».