Activities, ringmaps and geovisualization of large human movement fields
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
The timeline or track of any individual, mobile, sentient organism, whether animal or human being, represents a fundamental building block in understanding the interactions of such entities with their environment and with each other. New technologies have emerged to capture the (x, y, t) dimension of such timelines in large volumes and at relatively low cost, with various degrees of precision and with different sampling properties. This has proved a catalyst to research on data mining and visualizing such movement fields. However, a good proportion of this research can only infer, implicitly or explicitly, the activity of the individual at any point in time. This paper in contrast focuses on a data set in which activity is known. It uses this to explore ways to visualize large movement fields of individuals, using activity as the prime referential dimension for investigating space—time patterns. Visually central to the paper is the ringmap, a representation of cyclic time and activity, that is itself quasi spatial and is directly linked to a variety of visualizations of other dimensions and representations of spatio-temporal activity. Conceptually central is the ability to explore different levels of generalization in each of the space, time and activity dimensions, and to do this in any combination of the (s, t, a) phenomena. The fundamental tenet for this approach is that activity drives movement, and logically it is the key to comprehending pattern. The paper discusses these issues, illustrates the approach with specific example visualizations and invites critiques of the progress to date.
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 | 0,001 | 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