Notice bibliographique
Résumé
Our research goal is to facilitate the sharing of stories with digital maps. Today, many kinds of “my map” applications allow users to create maps that display personal collections of places visited, along with photographs, videos, and texts. The authors of such maps can organize and publish their collections of places by creating maps, and viewers can browse these collections freely by panning and zooming the maps or searching by location. It is difficult, however, for authors to represent their experiences as a sequence of events, mainly because it is up to the viewer to decide which map locations will be viewed, and in what order. Therefore, one future requirement for this type of map application is to facilitate map-based storytelling. The objective of this study is to identify and discuss the characteristics of map-based stories and the effectiveness of maps in editing them. To help users communicate map-based stories in a more narrative fashion, we have developed software for mapping photo collections and creating slideshows to present travelogues, sightseeing guides, and so on, which we call a map-based slideshow. In this article, we analyse user-created, map-based slideshows, focusing on the spatiotemporal relationships among the photographs that compose the slideshow. We also describe a user study focusing on how and in which order users edit map-based slideshows. The results show characteristics of the spatiotemporal structures of map-based stories. We also evaluated the effectiveness of maps in the user's story-editing process. Because the spatial slideshow is a typical form of map-based story, we assume that most of the knowledge acquired is applicable not only to map-based slideshows but also to other map-based stories, such as a “tour” of Google Earth.
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 distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,003 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
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.
score_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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».