MétaCan
Menu
Retour à la cohorte
Enregistrement W2293495121 · doi:10.1109/hicss.2016.180

Introduction to the Minitrack on Interactive Visual Decision Analytics

2016· article· en· W2293495121 sur OpenAlexaff
David S. Ebert, Brian Fisher, Kelly Gaither

Notice bibliographique

Revuenon disponible
Typearticle
Langueen
DomaineComputer Science
ThématiqueData Visualization and Analytics
Établissements canadiensSimon Fraser University
Organismes subventionnairesnon disponible
Mots-clésVisual analyticsComputer scienceData scienceBig dataAnalyticsVisualizationInteractive visual analysisContext (archaeology)Data visualizationInformation visualizationCultural analyticsBusiness analyticsSemantic analyticsWorld Wide WebArtificial intelligenceData mining

Résumé

récupéré en direct d'OpenAlex

The topic of this minitrack, Interactive Visual Data Analytics (IVDA), has applications in a broad range of situations where human expertise must be brought to bear on problems characterized by massive datasets and data that are uncertain in fact, relevance, location in space and position in time. Examples include environmental science and technologies, natural resources and energy, health and related life sciences, precision medicine, safety and security (aircraft safety, law enforcement, antiterrorism, disaster relief) and business processes. This year we are highlighting a broad range of analytic tasks such as natural disaster response, IT and network security, decision support frameworks, event management and preparation, and other domains where interactive visualization systems may be used to improve human decision-making. Key research challenges of interest in this area include studies of visual analytics and decision support in the context of an organization (e.g., IT and crowd control), how to successfully address and tailor analytic systems to solve realworld problems and integrate efficiently into workflows, perceptual and cognitive aspects of the analytic task, novel interaction and visual representations, and collaborative analysis using visual information systems. The focus in this minitrack goes beyond analytics to include rich, powerful visualization techniques for turning data into actionable information. These rich, interactive visual analytic environments offer even greater power and promise to solve big data problems for data that is 'big' in any of the dimensions of variability, velocity, or volume. This minitrack builds upon earlier HICSS minitracks on visual analytics, mobile computing, and digital media at scale, focusing more decision analytics in various applications from business to science, natural disasters, public safety, and policy. The papers are briefly summarized.

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 distillée sur la base complète

Imitation des enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesCharge utile insuffisante (le modèle a refusé de juger)
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Sans objet · Signal consensuel: Sans objet
GenreSignal candidat: Méthodes · Signal consensuel: aucune
Score de désaccord entre enseignants0,955
Score d'incertitude au seuil0,999

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0000,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0010,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0000,002

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 Opus0,020
Tête enseignante GPT0,332
Écart entre enseignants0,312 · 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 tête enseignante, pas un consensus.

Devis d'étudeSans objet
Domainenon disponible
GenreMéthodes

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
Publié2016
Routes d'admission1
Résumé présentoui

Explorer davantage

Même sujetData Visualization and AnalyticsTravaux en français237 207