Estratégias transmedia para a promoção da segurança rodoviária
Bibliographic record
Abstract
Num mundo onde o uso das tecnologias está adjacente ao nosso bem-estar, cada vez mais sentimos necessidade de partilhar as nossas histórias e acontecimentos mais marcantes através das mesmas. Com esta premissa e os acontecimentos que o trânsito pode gerar em mente, definiu-se a seguinte questão de investigação: “Será que a narrativa transmedia contribui para um incremento significativo do interesse pela temática da Segurança Rodoviária por parte do público?” O propósito deste estudo foi concretizar uma investigação de desenvolvimento composta por 3 fases e, por isso, depois de se tentar perceber o enquadramento teórico e estado da arte no que toca à componente transmediática e de prevenção rodoviária, em que se destacou a evolução do audiovisual como ferramenta de sensibilização em projetos como o da Brisa ou DFK Canada, procedeu-se à aplicação da primeira técnica de recolha de dados. A primeira técnica, que foi uma entrevista semiestruturada, serviu para identificar as temáticas que seriam desenvolvidas na estratégia transmediática. Com as entrevistas levadas a cabo a instrutores do ACP, fez-se o levantamento das dificuldades dos condutores e instruendos, das ações de sensibilização habitualmente levadas a cabo por parte da instituição e, ainda, obteve-se feedback dos instrutores à proposta de projeto. A partir daqui desenvolveram-se os elementos para a narrativa principal do projeto e, ainda, restantes conteúdos. Posto isto, elaborou-se uma estratégia transmedia chamada “Segura a Conduta” que utilizava os canais Instagram, Youtube e Tiktok. Nestas plataformas mencionadas, foram publicados vários tipos de conteúdos, entre os quais: comics, episódios principais da websérie, vídeos curtos da rubrica “Segura o Segundo” e, ainda, pequenos questionários para os utilizadores. Na fase final de recolha de dados, foi aplicado um inquérito por questionário que alcançou 34 pessoas e, cujos dados, foram complementados pelas métricas fornecidas pelas redes sociais, concluiu-se que o Instagram foi a plataforma mais usada, mantendo o seu papel de elemento agregador do projeto. Por outro lado, apesar do público se ter sentido sensibilizado com o projeto, grande parte não acompanhou a totalidade dos conteúdos, visto que a estratégia implicava a distribuição dos conteúdos por 3 plataformas.
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame distilled prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. Learned from the 10,348 direct Codex labels and 10,348 direct Gemma labels. Candidate is the union of thresholded teacher heads; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels or direct frontier model labels.
Codex and Gemma teacher scores by category
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.006 | 0.001 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.000 |
| Bibliometrics | 0.005 | 0.009 |
| Science and technology studies | 0.003 | 0.002 |
| Scholarly communication | 0.001 | 0.001 |
| Open science | 0.002 | 0.000 |
| Research integrity | 0.001 | 0.002 |
| Insufficient payload (model declined to judge) | 0.000 | 0.000 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; a candidate call from one teacher head, not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".