A Micro-Phenomenological Lens for Evaluating Narrative Visualization
Notice bibliographique
Résumé
Narrative visualizations engage audience in data stories, evoking emotions by using narrative patterns, rhetoric, visual design, and content among other strategies. How these elements combine to influence user experiences is complex and difficult to measure using empirical methods. This is partly due to the fact that narrative visualizations influence audiences affectively and implicitly [1]-[3]. Evaluations of narrative visualizations that aim to better understand these mechanisms should capture this rich complexity by focusing on gathering descriptions of lived experience. Micro-phenomenology, a rigorous set of methods developed for soliciting descriptions of experiences, has empirically been shown to improve recollection of otherwise implicit aspects of experience [4]. Building on work using micro-phenomenological interviews to evaluate static visualizations [5], we apply these methods to interactive narrative visualizations. We conducted a small study to explore the potential of these methods in this context. Our findings reveal how narrative patterns and designs influence affective states, how they support various forms of exploratory analysis, and how they can facilitate or hinder non-analytical reflection such as the imagining of stories described within visualizations. These types of insights can inform future designs and help researchers understand how techniques employed in narrative visualizations influence users in specific and often implicit ways.
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 | 0,022 | 0,041 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,007 | 0,006 |
| Études des sciences et des technologies | 0,007 | 0,014 |
| Communication savante | 0,010 | 0,009 |
| Science ouverte | 0,002 | 0,008 |
| Intégrité de la recherche | 0,002 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,008 | 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 ».