Designing Human-Computer Communication from Epistemic andCognitive First Principles
Notice bibliographique
Résumé
How should we ensure effective communication between humans and digital computing systems? How might visualisations be designed to make transparent deep patterns in complex data? Or interfaces engineered so that users can directly and meaningfully interact with simulation models or computational processes? How could we use AI to adapt the form and sophistication of explanations to suit users with different amounts of target domain knowledge or ability in computational thinking? Current responses to these questions focus upon how information is structured and on the cognitive capabilities of humans. For example, recognition of the potential benefits of graphical interfaces and visualisations are now common place. And designers are increasingly aware of our perceptual, attentional and memory capabilities. This paper goes further by advocating that representations for communication should be designed using epistemic and cognitive first principles. Specifically, effective representations should be created that (a) directly encode the fundamental conceptual structure of their target domain and (b) are compatible with the sophisticated mental processes found in higher forms of cognition, such as problem solving and learning. I will present a selection of past work, from my research group, that takes this approach, including: discovery learning environments for science education; tools for complex problem solving; and visualisations for large quantitative datasets; and also a current project to improve communication between AI systems and humans.
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 | 0,016 | 0,051 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,002 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,002 | 0,013 |
| Communication savante | 0,013 | 0,022 |
| Science ouverte | 0,003 | 0,009 |
| Intégrité de la recherche | 0,004 | 0,005 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 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 ».