MétaCan
Menu
Retour à la cohorte
Enregistrement W2043835521 · doi:10.3138/carto.49.3.2142

Spreading Map Information over Different Depth Layers – An Improvement for Map-Reading Efficiency?

2014· article· en· W2043835521 sur OpenAlexvenueno aff
Dennis Edler, Oliver Huber, Claudia Knust, Manfred Buchroithner, Frank Dickmann

Notice bibliographique

RevueCartographica The International Journal for Geographic Information and Geovisualization · 2014
Typearticle
Langueen
DomaineEngineering
ThématiqueSpatial Cognition and Navigation
Établissements canadiensnon disponible
Organismes subventionnairesKwame Nkrumah University of Science and TechnologyDeutsche Forschungsgemeinschaft
Mots-clésThematic mapStereoscopyReading (process)VisualizationDepth mapComputer scienceGeographyCartographyComputer graphics (images)Information retrievalArtificial intelligenceImage (mathematics)

Résumé

récupéré en direct d'OpenAlex

In recent years, True-3D representations such as lenticular visualization have entered the stage of analogue and, especially, digital cartography. The increase of 3D displays as products of mass media raises some fundamental questions about a new generation of 3D maps. Auto-stereoscopic displays allow cartographers to design 3D maps covering several information layers located at different positions along the depth axis. However, it remains unclear whether the opportunity to spread map information over different information depth layers can improve cartographic communication by helping to increase the duration and accuracy of map reading. This article presents the results of an empirical study, based on the test results achieved by 83 geography students who counted different map symbols in a series of 2D or 3D thematic maps of differing complexity.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,001
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Simulation ou modélisation · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: aucune
Score de désaccord entre enseignants0,756
Score d'incertitude au seuil0,810

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0010,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0010,000
Études des sciences et des technologies0,0010,000
Communication savante0,0010,003
Science ouverte0,0000,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

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 Opus0,007
Tête enseignante GPT0,254
Écart entre enseignants0,247 · 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 tête enseignante, pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeSimulation ou modélisation
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

Citations13
Publié2014
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueCartographica The International Journal for Geographic Information and GeovisualizationMême sujetSpatial Cognition and NavigationTravaux en français237 207