Le récit géolocalisé et transmédial au service de la sensibilisation de l’individu à des enjeux contemporains : application de la recherche avec la création d’un prototype axé sur l’écologie
Bibliographic record
Abstract
Parmi les technologies explorées dans ce mémoire, nous pouvons compter la géolocalisation, les applications sur téléphone intelligent, les réseaux sociaux et la réalité augmentée. Nous démontrerons qu’elles offrent de nombreuses fonctions qu’il est possible d’utiliser ensemble pour créer ensuite un récit transmédial, un récit se développant sur plusieurs plateformes. La multiplicité des formes de récits, de moyens de raconter une histoire, permet aussi d’investir un univers, fictif ou pas, autrement qu’à travers un seul écran, jeu ou livre. La géolocalisation permet aussi d’ancrer l’histoire et la participante dans un espace physique. Elle peut alors modifier notre perception d’un lieu, un parc, une rue, un immeuble en lui donnant une portée narrative. Les nouveautés apportées par ces technologies et ces façons de recevoir une histoire ont de fortes potentialités pour conscientiser l’individu sans le culpabiliser face à des enjeux qui méritent notre attention urgemment. Cela inclut l’accès restreint à l’éducation dans le pays en développement comme dans l’œuvre Conspiracy For Good ou les violences faites aux femmes abordées dans l’œuvre Priya’s Shakti de Ram Devineni. La création rattachée à ce projet de recherche se concentre sur l’écologie en passant par l’histoire de Montréal. L’objectif est de donner la parole à des arbres de Montréal qui raconteraient les métamorphoses de la ville et leur influence sur la préservation de la nature. La possibilité d’interagir avec l’œuvre semble aussi une bonne piste pour pousser le public à l’action en faveur de l’enjeu abordé tant en partageant ce qu’il aura appris avec une communauté de joueurs ou en suivant les conseils donnés implicitement par l’œuvre.
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 machine prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. The Gemma side is a direct model label for every work in the frame, read from the title-only record. The Codex side is a classifier learned from the 10,348 direct Codex labels and calibrated to design-weighted sample rates; fields without enough sample support carry no Codex call. Candidate is the union of the two sides; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels.
Distilled classifier scores by category (both heads)
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.002 | 0.009 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.001 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.001 | 0.002 |
| Scholarly communication | 0.005 | 0.005 |
| Open science | 0.001 | 0.003 |
| Research integrity | 0.002 | 0.001 |
| Insufficient payload (model declined to judge) | 0.013 | 0.003 |
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 source (direct Gemma or distilled Codex), 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".