Notice bibliographique
Résumé
When it comes to designing animated maps, the bottleneck is no longer the hardware, the software, or the data – it is the limited visual and cognitive processing capabilities of the map reader. Only sporadic progress has been made within GIScience in answering even the most basic questions: Under what conditions and for what kinds of map-reading tasks are animated maps effective, and how can their effectiveness be increased? Fortunately, over the past 20 years cognitive researchers in psychology and education have created a comprehensive set of theories that explain how people look at and learn from dynamic images, under what conditions these images work or fail, and why. Moreover, numerous controlled experiments, often designed to replicate and build upon previous studies, have validated these theories (something that is rare in cartography). This article presents a synthesis of this research and shows how it (1) directly informs mapping practices, (2) explains important cognitive differences between static and animated maps, (3) provides much-needed empirical support for emerging cartographic practices (where testing has yet to be done), and (4) generally confirms results from previous map studies. The article outlines solutions to split attention, retroactive inhibition, and cognitive overload. It also champions a perceptual–cognitive approach to cartography that would allow us to can explain why our designs work and not merely whether they work. Given the sizeable investment and number of animated maps in use today, such insights seem highly relevant.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,005 | 0,038 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,001 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,001 | 0,011 |
| Communication savante | 0,006 | 0,010 |
| Science ouverte | 0,002 | 0,004 |
| Intégrité de la recherche | 0,002 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,006 | 0,001 |
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 source (Gemma direct ou Codex distillé), 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 ».