The Cognitive Limits of Animated Maps
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
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.
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 | 0,001 | 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 | 0,001 |
| Science ouverte | 0,000 | 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