“Mapping the Island”: Data Journalism Education through Coverage of Gentrification and Housing Issues in Montreal
Notice bibliographique
Résumé
The focus of this research-creation project is how data journalism can be learned and applied to the coverage of housing issues in the city of Montreal. In examining this subject, several questions are raised about the nature of data journalism as a subsection of the larger journalistic field. This research aims to investigate how data journalism practices can be learned, taught and incorporated into the existing work of journalism studies, through coverage of the city, housing and gentrification. \n \nIn applying a “learning-by-doing” model of research-creation, conducting this project did lead to higher competency in data journalism practices. The results of this experience indicate ways data journalism education could be applied differently in university and mid-career journalism training curricula, namely, using a specialized data journalism project to develop a specific set of data journalism skills and making those skills more accessible by focusing on a localized story. It was also determined that in creating a data journalism project that focused on a specific story—in this case, housing issues in Montreal—there was a need to narrow in on a particular set of skills—namely data analysis, programming and mapping proficiency—similar to how traditional reporters must develop certain skills to cover different beats in a newsroom. This research indicates that a more widespread application of this learning-by-doing model in data journalism training and education has the potential to allow students to more deeply develop specific skill sets that would lend themselves more effectively to the expansive and collaborative practice of data journalism in the industry.
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 | 0,001 | 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 | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| 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 ».