Polygon-Based Drawing Accuracy Analysis and Positive/Negative Space
Notice bibliographique
Résumé
The study of drawing generally depends on ratings by human critics and self-reported expertise of the drawers. To complement those approaches, we developed an objective continuous performance-based measure of drawing accuracy. This measure represents drawings as sets of landmark points and analyses features of particular research interest by comparing polygons of those features’ landmark points with their counterpart polygons in a veridical image. This approach produces local accuracy measures (for each polygon), a global accuracy measure (the mean across several polygons), and four distinct properties of a polygon for analysis: its size, its position, its orientation and the proportionality of its shape. We briefly describe the method and its potential research applications in drawing education and visual perception, then apply it to a specific research question: Are we more accurate when drawing in the so-called ‘ positive space ’ ( or figure )? In a polygon-based accuracy analysis of 34 representational drawings, expert drawers outperformed less experienced participants on overall accuracy and every dimension of polygon error. Comparing polygons in the positive and negative space revealed an apparent trade-off on the different dimensions of polygon error. People were more accurate at proportionality and position in the positive space than in the negative space, but more accurate at orientation in the negative space. The contribution is the use of an objective, performance-based analysis of geometric deformations to study the accuracy of drawings at different levels of organization, here, in the positive and negative space.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 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 ».