MétaCan
Menu
Retour à la cohorte
Enregistrement W2313426939 · doi:10.1177/154193120504900342

Visual Sensitivity of Dynamic Graphical Objects

2005· article· en· W2313426939 sur OpenAlexaff
Munira Jessa, Catherine M. Burns

Notice bibliographique

RevueProceedings of the Human Factors and Ergonomics Society Annual Meeting · 2005
Typearticle
Langueen
DomaineComputer Science
ThématiqueData Visualization and Analytics
Établissements canadiensUniversity of Waterloo
Organismes subventionnairesnon disponible
Mots-clésGraphical user interfaceComputer scienceGraphical displayFeature (linguistics)Human–computer interactionGraphical modelVisualizationSensitivity (control systems)Computer graphics (images)Computer visionArtificial intelligenceEngineeringProgramming language

Résumé

récupéré en direct d'OpenAlex

Advanced display design, such as Ecological Interface Design (EID), makes extensive use of complex graphical objects. Research has shown that by following EID methodologies, operators have better performance with the EID displays (Pawlak and Vicente, 1996). However, past research does not consider visual aspects of the graphical objects used in EID. Of particular interest is how different design decisions of graphical objects affect the performance of the objects used within that design. We examined the visual sensitivity of dynamic graphical objects, examining which features make certain graphical objects visually superior for certain tasks. It was found that for simple dynamic objects, a line changing in angle was the most noticeable emergent feature. For complex graphical objects, those that mimic a “bull's eye” should be used for target-indicator displays, “solid objects” should be used for comparison meters, and changes in shape sizes should be used in trend meters. These findings provide guidance for designers of dynamic advanced graphical displays.

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)0,003
score de la tête « metaresearch » (Gemma)0,043
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Expérimental (laboratoire) · Signal consensuel: Expérimental (laboratoire)
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,007
Score d'incertitude au seuil0,022

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0030,043
Méta-épidémiologie (sens strict)0,0010,001
Méta-épidémiologie (sens large)0,0010,001
Bibliométrie0,0020,001
Études des sciences et des technologies0,0000,001
Communication savante0,0030,002
Science ouverte0,0010,003
Intégrité de la recherche0,0010,001
Charge utile insuffisante (le modèle a refusé de juger)0,0070,001

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 Opus0,011
Tête enseignante GPT0,257
Écart entre enseignants0,246 · 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'étudeExpérimental (laboratoire)
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

Citations3
Publié2005
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueProceedings of the Human Factors and Ergonomics Society Annual MeetingMême sujetData Visualization and AnalyticsTravaux en français237 207