MétaCan
Menu
Retour à la cohorte
Enregistrement W2940471369 · doi:10.4230/dagrep.8.10.127

Data Physicalization (Dagstuhl Seminar 18441)

2019· article· en· W2940471369 sur OpenAlexfundno aff
Jason Alexander, Petra Isenberg, Yvonne Jansen, Bernice E. Rogowitz, Andrew Vande Moere

Notice bibliographique

RevueDROPS (Schloss Dagstuhl – Leibniz Center for Informatics) · 2019
Typearticle
Langueen
DomaineArts and Humanities
ThématiqueSports Science and Education
Établissements canadiensnon disponible
Organismes subventionnairesBauhaus-Universität WeimarMonash UniversityUniversity of LethbridgeJulius-Maximilians-Universität WürzburgMicrosoft ResearchCarnegie Mellon UniversityUniversity of Minnesota
Mots-clésEnvironmental scienceComputer science

Résumé

récupéré en direct d'OpenAlex

Data physicalization involves representing numbers and relationships using physical, tangible displays. These displays provide tactile, as well as visual metaphors for expressing and experiencing data, and can unlock new analytical insights and emotional responses. This Dagstuhl seminar brought together a diverse group of researchers and practitioners to explore the benefits and challenges of physicalization - computer scientists trained in visualization, virtual reality and human-computer interaction; architects of virtual and augmented systems; perceptual and cognitive scientists; and artists and designers. Through interactive discussions and demonstrations, we explored physicalization, as a set of methodologies for representing data, for engaging audiences, and for artistic expression.

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)0,004
score de la tête « metaresearch » (Gemma)0,005
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: Sans objet
GenreSignal candidat: Autre · Signal consensuel: Autre
Score de désaccord entre enseignants0,204
Score d'incertitude au seuil0,684

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0040,005
Méta-épidémiologie (sens strict)0,0020,001
Méta-épidémiologie (sens large)0,0010,001
Bibliométrie0,0020,001
Études des sciences et des technologies0,0020,002
Communication savante0,0070,005
Science ouverte0,0020,006
Intégrité de la recherche0,0040,004
Charge utile insuffisante (le modèle a refusé de juger)0,2040,098

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 Opus0,054
Tête enseignante GPT0,281
Écart entre enseignants0,227 · 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
GenreAutre

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations3
Publié2019
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueDROPS (Schloss Dagstuhl – Leibniz Center for Informatics)Même sujetSports Science and EducationTravaux en français237 207