MétaCan
Menu
Retour à la cohorte
Enregistrement W2250190567

An investigation of issues and techniques in highly interactive computational visualization

2007· article· en· W2250190567 sur OpenAlexaff
Michael J. McGuffin

Notice bibliographique

Revuenon disponible
Typearticle
Langueen
DomaineComputer Science
ThématiqueData Visualization and Analytics
Établissements canadiensUniversity of Toronto
Organismes subventionnairesnon disponible
Mots-clésVisualizationComputer scienceInteractive visualizationRendering (computer graphics)Information visualizationSet (abstract data type)Human–computer interactionCreative visualizationData visualizationData scienceData miningComputer graphics (images)Programming language
DOInon disponible

Résumé

récupéré en direct d'OpenAlex

Computers have changed the nature of data visualization in two important ways. First, computers allow increasingly large data sets to be automatically processed. Thus, much research effort has focused on increasing the speed and quality of graphical rendering, to accommodate data sets having greater cardinality, resolution, number of dimensions, etc. Second, computers enable interactive exploration of different views and depictions of the same data over time. Although interactive visualization is now a norm, we argue that strategies for easing and improving this interaction are relatively underexploited, and show this in three case studies. Each study involves the design and implementation of novel techniques to aid visualization in some application domain. We assert the usefulness of a small set of guiding design goals for interactive visualization that are: to ease input, to augment output over space by increasing and improving output in any given state, and to augment output over time by using smooth transitions between states. The utility of these goals is demonstrated, firstly, through the results of each case study driven in part by the goals, and secondly, by using the experience gained from the case studies to generate a set of concrete design guidelines that specify how to better achieve the design goals, and that can be applied in future design work. The first study considers visualization of 3D volumetric data, and uses spatial deformations to reduce occlusion and increase the visibility of internal surfaces of the data. The second involves visualizing and browsing a rooted tree, and uses a space-filling algorithm to automatically increase the number of nodes visible to the user. The third examines visualization of genealogical graphs, and develops layout techniques to avoid crowding of nodes and edge crossings. Each of the three studies pays attention to the meaningful subsets that exist within the data, and how to exploit these subsets during interaction. Each study also introduces an interaction technique enabling rapid and light-weight traversal of entire sequences of states, with visually continuous transitions across states. Following the case studies, the issues encountered are analyzed, a taxonomy of parameter manipulation is developed, and guidelines for future design are generated to help achieve the original design goals. Taken individually, each case study contributes significantly to its domain in the specific aspects it investigates. Furthermore, the relative variety in our case studies results in a broad perspective with which to analyze the issues encountered. The unified contribution of the work lies in demonstrating multiple ways of pursuing the design goals, and in the design guidelines subsequently generated that can be applied to situations beyond our cases studies.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,017
score de la tête « metaresearch » (Gemma)0,081
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Qualitatif · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: aucune
Score de désaccord entre enseignants0,017
Score d'incertitude au seuil0,091

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0170,081
Méta-épidémiologie (sens strict)0,0010,001
Méta-épidémiologie (sens large)0,0010,002
Bibliométrie0,0030,005
Études des sciences et des technologies0,0030,012
Communication savante0,0150,014
Science ouverte0,0050,006
Intégrité de la recherche0,0040,005
Charge utile insuffisante (le modèle a refusé de juger)0,0040,001

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.

Tête enseignante Opus0,019
Tête enseignante GPT0,360
Écart entre enseignants0,341 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeQualitatif
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations0
Publié2007
Routes d'admission1
Résumé présentoui

Explorer davantage

Même sujetData Visualization and AnalyticsTravaux en français237 207