The efficacy of stacked bar charts in supporting single-attribute and overall-attribute comparisons
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
Stacked bar charts are a visualization method for presenting multiple attributes of data, and many visualization tools support these charts. To assess the efficacy of stacked bar charts in supporting attribute-comparison tasks, we conducted a user study to compare three types of stacked bar charts: classical, inverting, and diverging. Each chart type was used to visualize six attributes of data where half of the attributes have the characteristics of ‘lower better’ whereas the other half attributes are with ‘higher better.’ Thirty participants were asked to perform two types of comparison tasks: single-attribute and overall-attribute comparisons. We measured the completion time, error rate, and perceived difficulty of the comparison tasks. The results of the study suggest that, for overall-attribute comparisons, the inverting stacked bar chart was the most effective with regards to the completion time. The results also show that performing overall-attribute comparisons using the classical and diverging stacked bar charts required more time than performing single-attribute comparisons using these charts. Participants perceived the inverting and diverging stacked bar charts as easier-to-use than the classical stacked bar chart for overall-attribute comparisons. However, for single-attribute comparisons, all chart types delivered similar performance. We discuss how these findings can inform the better design of interactive stacked bar charts and visualization tools. Keywords: Stacked bar chart, Comparison task, User study, Multi-attribute data, Information visualization
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 | 0,001 | 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 | 0,000 | 0,001 |
| Science ouverte | 0,001 | 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