Guidelines for Designing Visual Ontologies to Support Knowledge Identification1
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Organizations often provide workers with knowledge management systems to help them obtain knowledge they need. A significant constraint on the effectiveness of such systems is that they assume workers know what knowledge they need (they know what they don’t know) when, in fact, they often do not know what knowledge they need (they don’t know what they don’t know). A way to overcome this problem is to use visual ontologies to help users learn relevant concepts and relationships in the knowledge domain, enabling them to search the knowledge base in a more educated manner. However, no guidelines exist for designing such ontologies. To fill this gap, we draw on theories of philosophical ontology and cognition to propose guidelines for designing visual ontologies for knowledge identification. We conducted three experiments to compare the effectiveness of guided ontologies, visual ontologies that followed our guidelines, to unguided ontologies, visual ontologies that violated our guidelines. We found that subjects performed considerably better with the guided ontologies, and that subjects could perceive the benefits of using guided ontologies, at least in some circumstances. On the basis of these results, we conclude that the way visual ontologies are presented makes a difference in knowledge identification and that theories of philosophical ontology and cognition can guide the construction of more effective visual representations. Furthermore, we propose that the principles we used to create the guided visual ontologies can be generalized for other cases where visual models are used to inform users about application domains.
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.
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 | 0,001 | 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 découle