Graphs, Tables, and Scientific Illustrations: Visualisation as the Science of Seeing Gerontology
Notice bibliographique
Résumé
RÉSUMÉ Une caractéristique essentielle de la découverte scientifique est l’utilisation d’inscriptions visuelles (p. ex. graphiques, illustrations) facilitant l’analyse des données, leur interprétation et leur communication (p. ex. Latour, 1990 ; Lynch, 1985). L’objectif de cette recherche était d’examiner les types d’inscriptions visuelles utilisés pour la présentation de données dans les revues scientifiques en gérontologie. Nous avons comparé 357 articles publiés entre 1995 et 2009 qui ont été échantillonnés à partir de 24 revues de gérontologie avec comités de pairs. Approximativement 11 pour cent de l’espace d’impression était consacré à la présentation de données ; les tableaux occupaient comparativement plus d’espace (9,13 %) que les graphiques (2,32 %). L’utilisation des graphiques dans les articles en gérontologie était inférieure à celle observée pour les articles en psychologie (6,6 % de l’espace d’impression), mais supérieure à celle retrouvée en criminologie ou en justice criminelle (1,7 % de l’espace d’impression). À l’instar de Latour (1990), nous soutenons que les figures représentent un résumé accessible de données complexes, permettant ainsi une présentation efficace de résultats multidimensionnels. Lorsque les inscriptions visuelles sont utilisées dans la dissémination des résultats, les chercheurs deviennent moins dépendants du jargon statistique et peuvent communiquer plus aisément avec divers publics (chercheurs, professionnels de la santé, clients).
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 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 | 0,006 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,012 | 0,012 |
| Communication savante | 0,002 | 0,001 |
| Science ouverte | 0,002 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 découleClassification
machine, non validéePrédiction automatique; les deux têtes enseignantes s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».