Selecting versus Describing: A Preliminary Analysis of the Efficacy of Categories in Exploring the Web
Notice bibliographique
Résumé
Summary of Results The 48 participants spent about 7 minutes doing each task. They used the search box forabout 66% of the tasks and selected from the directory categories for the remainder. On average,they examined about 5 URLs and about 6 links within each of those URLs. They tended to selectabout the fourth item on a hitlist and on average examined about two pages of hitlists. Participants reported little familiarity with the topics for each of the assigned tasks, with fewhaving ever done a search on any of the topics prior to the session. On a five-point scale with onebeing the poorest rating and five being the best rating, they indicated the degree of certainty withwhich they found their answer, the ease of finding the answer, and their satisfaction with theprocess of finding their answer at around four. User-Specified vs. Researcher Specified Task Half the questions were completely specified and half were fill-in-the-blanks, allowing someuser modification toward personalizing the task. There were no significant differences between thetwo types on any measure. This finding challenges the assumption that information retrievalexperimentation with pre-defined queries alters user behaviour in experimental settings. Ourparticipants performed about the same regardless of whether they were assigned a task orallowed to create their own. That said, it is likely that the artificially of the process, e.g., timeconstraints, lab setting, and so on, may have a greater impact than the nature of the task.
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 | 0,020 | 0,135 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,002 |
| Communication savante | 0,003 | 0,003 |
| Science ouverte | 0,001 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,008 | 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 ».