Interpreting mediated quantitative data: Insights from information behaviour research
Notice bibliographique
Résumé
Using climate change as an example, this conceptual paper explores two issues: the difficulties people have in understanding, interpreting, and responding to quantitative data, and the ways in which, if any, information behaviour research might provide insight into this issue. Data related to climate change were selected because they are often mediated by others with divergent vested interests including media, politicians, NGOs, scientists, and government agencies and because people bring a host of cognitive and psychological biases, worldviews, and beliefs to their perceptions of data and information and consequently, climate change.En utilisant le changement climatique comme exemple, cet article conceptuel explore deux questions : les difficultés rencontrées par les personnes pour comprendre, interpréter et répondre aux données quantitatives, et la manière dont, le cas échéant, la recherche sur le comportement informationnel pourrait éclairer cette question. Les données relatives au changement climatique ont été choisies car elles sont souvent véhiculées par des groupes ayant des intérêts divergents, notamment les médias, les politiciens, les ONG, les scientifiques et les agences gouvernementales, et parce que les gens apportent une foule de préjugés cognitifs et psychologiques, de visions du monde et de croyances dans leur perception des données et des informations, et donc du changement climatique.
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 | 0,130 | 0,283 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,002 |
| Méta-épidémiologie (sens large) | 0,002 | 0,002 |
| Bibliométrie | 0,012 | 0,009 |
| Études des sciences et des technologies | 0,006 | 0,043 |
| Communication savante | 0,021 | 0,028 |
| Science ouverte | 0,004 | 0,009 |
| Intégrité de la recherche | 0,005 | 0,004 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,005 | 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 ».