User Task Adaptation in Multimedia Presentations.
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
It is quite common that documents ranging from newspaper articles to scientific papers convey complex information by combining visualizations with textual material. Presenting information in different modalities not only makes the presentation more engaging, but could also better suit users with different cognitive skills (visual vs. verbal). In these multimedia presentations graphics and text play complementary roles. While graphics can convey large amounts of data compactly and support discovery of trends and relationships, text is much more effective at pointing out and explaining key points about the data, in particular by focusing on specific temporal, causal and evaluative aspects [1]. For illustration, Figure 1 shows an example of a multimedia presentation from The Economist magazine. Notice, for instance, how the sentence “The end of subsidies to car buyers will lead to a slump in Japan, just as its carmakers’ output recovers from the 2011 tsunami.” provides a causal explanation for the noticeably extreme data about current (year 2012) and forecasted (year 2013) car sales in Japan. Generally speaking, the textual part of a multimedia presentation can be seen as suggesting to the reader a set of visual tasks that can be performed by inspecting the visualization. For example, when reading the two sentences “India and China will have further strong rises—though not at the double-digit rates seen until 2010. Brazil and Britain will suffer reverses.” the reader is prompted to verify in the visualization (the deviation chart) that all the bars for India and China are on the right side of the chart (i.e., sales are increasing) and less than 10%, while the bars for Brazil and Britain are on the right for 2012, but on the left side (i.e., sales are decreasing) for the 2013 forecast.
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 | 0,000 | 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 | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,002 |
| 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