MétaCan
Menu
Retour à la cohorte
Enregistrement W2815338869 · doi:10.1145/3215611.3215614

Navigating Data Over Time

2018· article· en· W2815338869 sur OpenAlexaff
Nicola R. Di Matteo, James Blustein

Notice bibliographique

Revuenon disponible
Typearticle
Langueen
DomaineDecision Sciences
ThématiquePersonal Information Management and User Behavior
Établissements canadiensDalhousie University
Organismes subventionnairesnon disponible
Mots-clésComputer scienceDimension (graph theory)Fourth DimensionDomain (mathematical analysis)Representation (politics)Interface (matter)Data scienceHuman–computer interactionWorld Wide WebInformation retrieval

Résumé

récupéré en direct d'OpenAlex

Data in online archives and services are repositories of human knowledge and facts related to the lives of people. Information is visualized in a spatial domain representation that includes text structures, taxonomies, and images. Often interfaces do not offer appropriate tools to compare and navigate data over time, and the information appears as in a big "now", with no reference to the past and no view of the future. Adding the temporal dimension gives the possibility to see, for example, how places and different uses of artifacts changed in time. With the fourth dimension-time-interfaces becomes a 'time machine', a structure that better can represent and visualize knowledge. In this paper, after having described the concept of the navigation in time of data, we describe the Venice Time Machine, a project that aims to represent the millenarian evolution of Venice in social and urban terms implementing the navigation over time of the documents. Then, we propose and interfaces to navigate time using virtual reality, which is inspired by tools used to study trajectories of atomic particles. Finally we present Europeana, a vast archive online of the European knowledge, and an example of a time machine that uses its Application Program Interface.

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)0,002
score de la tête « metaresearch » (Gemma)0,012
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Sans objet · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: aucune
Score de désaccord entre enseignants0,007
Score d'incertitude au seuil0,019

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0020,012
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,001
Bibliométrie0,0020,003
Études des sciences et des technologies0,0010,001
Communication savante0,0060,009
Science ouverte0,0010,004
Intégrité de la recherche0,0010,001
Charge utile insuffisante (le modèle a refusé de juger)0,0060,001

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 Opus0,480
Tête enseignante GPT0,536
Écart entre enseignants0,056 · 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'étudeSans objet
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

Citations1
Publié2018
Routes d'admission1
Résumé présentoui

Explorer davantage

Même sujetPersonal Information Management and User BehaviorTravaux en français237 207