Use este identificador para citar ou linkar para este item: http://www.monografias.ufop.br/handle/35400000/6530
Título: Especializando o Big Data : a participação do Volt Data Lab em produções de Jornalismo de Dados.
Autor(es): Silva, Daiane Maciel de Lima
Orientador(es): Cortez, Natália Moura Pacheco
Membros da banca: Lopez, Débora Cristina
Souza, Marcelo Freire Pereira de
Cortez, Natália Moura Pacheco
Palavras-chave: Volt Data Lab
Big Data
Jornalismo
Jornalismo científico
Data do documento: 2024
Referência: SILVA, Daiane Maciel de Lima. Especializando o Big Data: a participação do Volt Data Lab em produções de Jornalismo de Dados. 2024. 73 f. Monografia (Graduação em Jornalismo) - Instituto de Ciências Sociais Aplicadas, Universidade Federal de Ouro Preto, Mariana, 2024.
Resumo: Esta pesquisa tem o objetivo de analisar contribuições da agência de dados Volt Data Lab em suas parcerias com veículos jornalísticos. Para isso, foi realizado um estudo de caso, comparando cinco projetos da agência com quatro produções vencedoras da edição 2022 do Prêmio Cláudio Weber Abramo de Jornalismo de Dados. O recorte foi estabelecido com o intuito de garantir que as matérias analisadas contassem com um critério de qualidade reconhecido em seu meio, para que, a partir da comparação, fosse possível reconhecer as singularidades das produções do Volt Data Lab. Com isso, buscou-se entender como a especialização da parte do trabalho relacionada a dados resultaria em melhorias e inovações. O foco da pesquisa foram alguns problemas relativos ao Big Data, como os vieses de conjunto de dados, investigados por Pasquinelli e Joler (2021), e a opressão algorítmica, termo cunhado por Noble (2018). Além disso, para estabelecer uma base comparativa, este trabalho perpassa o contexto que levou a formação do Jornalismo de Dados, passando pelos estudos de autores como Marcondes Filho (2000), Meyer (2002), Bastos (2005, 2012), Canavilhas (2003, 2006), Manovich (2001), Bradshaw (2011), entre outros. Como resultado da pesquisa, foi possível avaliar que a especialização não é um fator para que o Jornalismo de Dados enfrente as questões do Big Data, mas que uma cooperação aprofundada entre a agência e os veículos é necessária para uma conduta equilibrada no que tange à transmissão de vieses.
Resumo em outra língua: This research aims to analyze the contributions of the data agency Volt Data Lab in its partnerships with media outlets. For this purpose, a case study was conducted, comparing five projects of the data agency with four Prêmio Cláudio Weber Abramo de Jornalismo de Dados winner productions. The selection was made to ensure that the analyzed articles met a recognized quality criterion within their field, allowing for the identification of the unique aspects of Volt Data Lab's productions through comparison. The goal was to understand how specialization in the data-related aspects of the work in journalism would lead to improvements and innovations. The research focused on specific issues related to Big Data, such as dataset biases, investigated by Pasquinelli and Joler (2021), and algorithmic oppression, a term coined by Noble (2018). Additionally, to establish a comparative basis, this work delves into the context that led to the formation of Data Journalism, spanning studies by authors such as Marcondes Filho (2000), Meyer (2002), Bastos (2005, 2012), Canavilhas (2003, 2006), Manovich (2001), Bradshaw (2011), among others. As a result of the research, it was possible to evaluate that specialization is not a determining factor for Data Journalism to address Big Data issues, but rather that a deep collaboration between the agency and the media outlets is necessary for a balanced approach regarding the transmission of biases.
URI: http://www.monografias.ufop.br/handle/35400000/6530
Licença: Este trabalho está sob uma licença Creative Commons BY-NC-ND 4.0 (https://creativecommons.org/licenses/by-nc-nd/4.0/?ref=chooser-v1).
Aparece nas coleções:Jornalismo

Arquivos associados a este item:
Arquivo Descrição TamanhoFormato 
MONOGRAFIA_EspecializandoBigData.pdf3,18 MBAdobe PDFVisualizar/Abrir


Os itens na BDTCC estão protegidos por copyright, com todos os direitos reservados, salvo quando é indicado o contrário.