The Storytelling Initiative: Community Podcasting at the Frontlines of Climate and Environmental Crises
Notice bibliographique
Résumé
Stories move people, and storytelling constitutes an important form of local action in the face of the multiple crises we confront at this time. Community-led podcasting is a powerful medium for conveying these stories, disrupting mass media’s dominant narrative to reframe discourse and amplify local perspectives on social and ecological issues. The Storytelling Initiative worked with frontline communities and organizations confronting climate and environmental crises to not just be subjects of podcasts, but authors and producers of their own stories. Each podcast shares a unique story of collective learning and action, ranging from youth in informal settlements building leadership to contend with climate impacts in their communities, to the use of legal mechanisms by communities in Pakistan to halt destructive government-sponsored development projects, to voices from the Arctic bringing gender relations into discussions of climate in the region. This article shares the community participatory podcasting approach used to work with the seven podcasting teams that produced these stories, and the community of practice that emerged as a result. It unpacks ways in which the stories they share push for wider change from the standpoint of their respective struggles, and invites listeners to learn with them. It also reflects on the potential of participatory podcast production and analysis as an emergent method of participatory action research.
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 | 0,011 | 0,019 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,008 | 0,007 |
| Communication savante | 0,009 | 0,007 |
| Science ouverte | 0,002 | 0,015 |
| Intégrité de la recherche | 0,002 | 0,005 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,011 | 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 ».