Using Graphics to Improve Understanding of Conceptual Models
Notice bibliographique
Résumé
Making Entity-Relationship diagrams easier to understand for novices has been a topic of previous research. This study provides experimental evidence that suggests using small representative graphics (iconic graphics) to replace standard entity boxes in an ER diagram can have a positive effect on domain understanding for novice users. Cognitive Load Theory and the Cognitive Theory of Multimedia Learning are used to hypothesize that iconic graphics reduce extraneous cognitive load of model viewers leading to more complete mental models and consequently improved understanding. Domain understanding was measured using comprehension and transfer (problem solving) tasks. Results confirm the main hypothesis. In addition, iconic graphics were found to be less effective in improving domain understanding with English as second language (ESL) participants. ESL results are shown to be consistent with predictions based on the Cognitive Load Theory. The importance of this work for systems analysts and designers comes from two considerations. First, the use of iconic graphics seems to reduce the extraneous cognitive load associated with these complex systems. Secondly, the reduction in extraneous load enables users to apply more germane load which relates directly with levels of domain understanding. Thus iconic graphics may provide a simple tool that facilitates better understanding of ER diagrams and the data structure for proposed information systems.
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 | 0,023 | 0,006 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,002 |
| Méta-épidémiologie (sens large) | 0,003 | 0,001 |
| Bibliométrie | 0,010 | 0,005 |
| Études des sciences et des technologies | 0,001 | 0,013 |
| Communication savante | 0,001 | 0,057 |
| Science ouverte | 0,010 | 0,015 |
| Intégrité de la recherche | 0,001 | 0,011 |
| 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; les deux têtes enseignantes s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».