The Cognitive Science of Sketch Worksheets
Notice bibliographique
Résumé
Computational modeling of sketch understanding is interesting both scientifically and for creating systems that interact with people more naturally. Scientifically, understanding sketches requires modeling aspects of visual processing, spatial representations, and conceptual knowledge in an integrated way. Software that can understand sketches is starting to be used in classrooms, and it could have a potentially revolutionary impact as the models and technologies become more advanced. This paper looks at one such effort, Sketch Worksheets, which have been used in multiple classroom experiments already, with students ranging from elementary school to college. Sketch Worksheets are a software equivalent of pencil and paper worksheets commonly found in classrooms, but they provide on-the-spot feedback based on what students draw. They are built on the CogSketch platform, which provides qualitative visual and spatial representations and analogical processing based on computational models of human cognition. This paper explores three issues. First, we examine how research from cognitive science and artificial intelligence, combined with the constraints of creating new kinds of educational software, led to the representations and processing in CogSketch. Second, we examine how these capabilities have been used in Sketch Worksheets, drawing upon experiments with fifth-grade students in biology and college students in engineering design and in geoscience. Finally, we examine some open issues in sketch understanding that need to be addressed to better model high-level aspects of vision, and for sketch understanding systems to reach their full potential for supporting education.
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 | 0,003 | 0,028 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,011 |
| Communication savante | 0,007 | 0,018 |
| Science ouverte | 0,002 | 0,004 |
| Intégrité de la recherche | 0,002 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,013 | 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 ».