Visual analysis of information world maps: An exploration of four methods
Notice bibliographique
Résumé
Information researchers increasingly use participatory, arts-based methods to better understand the social contexts of individuals and populations. However, it remains rare to engage in qualitative analysis of the resulting visual artefacts. This article explores approaches to analysing visual media generated through a specific arts-based method, information world mapping (IWM), an interdisciplinary draw-and-talk technique that elicits data about individuals’ social information worlds. Here, we test four approaches to analysing visual media generated through IWM: directed qualitative content analysis (QCA), compositional interpretation, conceptual analysis and visual discourse analysis using situational analysis (SA). QCA was effective in creating an overview of participants’ information practices, yet raised concern regarding interpretive bias. Using an inductive taxonomy for compositional interpretation, we identified genre conventions for IWMs. Conceptual analysis resulted primarily in a reflection of the research procedures and epistemology. SA, while time-consuming, generated a large amount of rich data, including discourses and power relations that were not identified in previous analysis of textual data. In a reversal of our previous stance that cautioned against IWM analysis, we encourage other researchers to consider integrated or secondary visual analysis of IWMs.
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 | 0,046 | 0,059 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,012 | 0,010 |
| Études des sciences et des technologies | 0,005 | 0,011 |
| Communication savante | 0,013 | 0,011 |
| Science ouverte | 0,003 | 0,010 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,009 | 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 ».