TIIARA: the “making of” a bilingual taxonomy for retrieval of digital images
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
Purpose This paper aims to present the results of the second phase of a research project aiming to develop a bilingual taxonomy for the description of digital images. The objective of this second stage entailed the formal structuring of the taxonomy. It involved the choices of top‐level categories and their subcategories. Design/methodology/approach The taxonomy development process consists of several steps that are iterative in nature, and, as such, an incremental user testing needed to be carried out in order to validate and refine the taxonomy components. For the first validation phase, the card sorting technique was used. To increase the value of the testing, two different sorting exercises were performed by ten respondents, who completed feedback forms to provide comments and suggestions. Findings The analysis of the data provided by the card sorting exercises and the feedback forms highlighted the difficulties participants encountered using the taxonomic structure. This step was especially useful in understanding why the cards of a group were classified together. A summary of the decisions that were made following the first part of the validation process, as well as suggestions to improve the final version of the taxonomy, are also included. Originality/value The participation of the end‐users is of crucial importance in the taxonomy development. The card sorting method is generally used in domains such as psychology, cognitive science and web usability. For this project, it proved to be an invaluable source to identify difficulties encountered using the taxonomy structure and dynamically suggested ways to improve it.
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 | 0,002 |
| 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