The clean meat narrative: a case study

• Ano de defesa: 2019
• Autor(a) principal: Stettler, Oliver
• Orientador(a): Costa, Ligia Maura
• Tipo de documento: Dissertação
• Tipo de acesso: Acesso aberto
• Idioma: eng
• Palavras-chave em Português: Narrativas; Complexidade; Pensamento sistêmico; Carne cultivada
• Palavras-chave em Inglês: Narratives; Complexity; System thinking; Clean meat
• Link de acesso: https://hdl.handle.net/10438/28597

Histórias sempre foram a linguagem da experiência humana, mas adquiriram importância sem precedentes na atualidade, dessa vez na forma de narrativas. À medida que o mundo se torna cada vez mais tecnológico, digital e conectado, também se torna exponencialmente complexo. Consequentemente, indivíduos enfrentam dilemas que parecem ser complexos demais comparados ao que suas estruturas cognitivas são capazes de lidar, resultando em uma perda de contexto e referência. Narrativas fornecem contexto e referência, tornando extremamente poderosos indivíduos e organizações que entendem o fenômeno e como usá-lo estrategicamente. Apesar de sua importância emergente, o estudo de narrativas com seu significado moderno ainda é pouco estudado. A tese em questão contribuirá para a pesquisa do tema aplicando uma estrutura existente, criada por Marcus Baumann em 2018, a um estudo de caso sobre carne cultivada, tentando entender o cenário emergente de proteínas alternativas e as constelações narrativas circundantes. O estudo de caso confirma que a carne limpa se tornou uma narrativa de sucesso, verificada por diversos indicadores que mostram tanto impacto no mercado de narrativas e no mercado real. A aplicação da estrutura a uma narrativa crescente, porém incerta, aumentou a robustez do modelo e demonstrou que pode ser usado para diferentes tipos de narrativas em diferentes estágios de maturidade. As descobertas fornecem ideias e oportunidades sobre o campo mais amplo de narrativas modernas, bem como sobre o estudo de caso da carne cultivada, além de expor algumas das limitações do modelo utilizado, como suas amplas e qualitativas características, aumentando as probabilidades de haver sobre-ajuste. Além disso, a introdução de modelagem quantitativa resultante da tecnologia aprimorada de análise de texto e áudio, capaz de extrair significado e semântica de bancos de dados não estruturados, permitiria reduzir significativamente erros, aumentar o alcance da aplicação e até mesmo prever narrativas futuras e emergentes.