Counter-Mapping: Visual Strategies for Alternative Imaginaries
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
Throughout the pandemic, maps of visual data published in the digital mediascape were used to communicate the global impact of Covid-19. While public and private entities offered “big picture” perspectives, hegemonic visualizations often neglected to address the disproportionate toll of the pandemic on the members of marginalized communities. This article presents findings from a mixed-methods investigation of 12 case studies, comparing eight grassroots counter-mapping sources against four mainstream mapping sources, created by government and academic institutions, that will be referred to here as “hegemonic.” The purpose of this study was to investigate how visuals presented online by community-focused counter-mapping collectives differed from those presented by mainstream sources, examining what these differences might indicate about the social imaginaries at play. Case studies from Argentina, Brazil, Canada, and the US produced a corpus of 1,556 images manually collected from online sources. An initial content analysis using NVivo generated quantitative data forming the foundation for later semiotic analysis examining each individual image while also considering the collection holistically. Informed by social semiotics, the findings highlight how counter-mapping employs bespoke illustrations and community insights to portray a more nuanced perspective of the impacts of the pandemic. In contrast, hegemonic maps rely on vector-based graphics that reflect dominant worldviews. Altering the practices of mapping, counter-mapping empowers communities, challenges systemic inequities, and reimagines how visual data shapes public knowledge.
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 | 0,002 | 0,001 |
| 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 | 0,001 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| 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 découle