MétaCan
Menu
Retour à la cohorte
Enregistrement W1997272439 · doi:10.1057/palgrave.ivs.9500047

Application of Information Visualization Techniques to the Design of a Mathematical Mindtool: A Usability Study

2003· article· en· W1997272439 sur OpenAlexaff
Kamran Sedig, Sonja Rowhani, Jim Morey, Hai‐Ning Liang

Notice bibliographique

RevueInformation Visualization · 2003
Typearticle
Langueen
DomaineComputer Science
ThématiqueData Visualization and Analytics
Établissements canadiensWestern University
Organismes subventionnairesnon disponible
Mots-clésVisualizationComputer scienceParsingUsabilityInformation visualizationHuman–computer interactionVisual analyticsData visualizationArtificial intelligenceData science

Résumé

récupéré en direct d'OpenAlex

One of the goals of information visualization is to support human thinking through the use of external visual aids. Mathematical mindtools can act as visual cognitive aids to enhance thinking and reasoning about mathematical objects and concepts. Although some mathematical mindtools incorporate information visualization techniques, the systematic use of these techniques in the design of these tools and their effect on users’ thinking and reasoning need to be investigated. A mathematical mindtool called PARSE (Platonic-Archimedean Solids Explorer) is presented in this paper. PARSE is intended to support the exploration and learning of a subset of geometric shapes. The mathematical objects and concepts embedded in PARSE have been enhanced using information visualization techniques. A usability study of PARSE and its information visualization techniques have been conducted and reported. The study shows that information visualization techniques enhance and support learning and exploration of mathematical concepts. The findings reported in this paper suggest that mathematical mindtools provide a fertile ground for investigating different information visualization techniques and their effectiveness in supporting learning tasks.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,016
score de la tête « metaresearch » (Gemma)0,071
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,016
Score d'incertitude au seuil0,085

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0160,071
Méta-épidémiologie (sens strict)0,0010,001
Méta-épidémiologie (sens large)0,0010,001
Bibliométrie0,0030,002
Études des sciences et des technologies0,0010,001
Communication savante0,0020,003
Science ouverte0,0010,001
Intégrité de la recherche0,0010,001
Charge utile insuffisante (le modèle a refusé de juger)0,0010,000

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.

Tête enseignante Opus0,026
Tête enseignante GPT0,333
Écart entre enseignants0,307 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeObservationnel
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations37
Publié2003
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueInformation VisualizationMême sujetData Visualization and AnalyticsTravaux en français237 207