MétaCan
Menu
Retour à la cohorte
Enregistrement W3197921678 · doi:10.1167/jov.21.9.2171

Correlation perception in scatterplots is invariant to dot size

2021· article· en· W3197921678 sur OpenAlexaff
Jessica Ip, Nicholas Chin, Ronald A. Rensink

Notice bibliographique

RevueJournal of Vision · 2021
Typearticle
Langueen
DomaineDecision Sciences
ThématiqueImpact of AI and Big Data on Business and Society
Établissements canadiensUniversity of British Columbia
Organismes subventionnairesnon disponible
Mots-clésCorrelationStatisticsJust-noticeable differenceMathematicsObserver (physics)PerceptionPsychophysicsPearson product-moment correlation coefficientPsychologyArtificial intelligenceComputer sciencePhysicsGeometry

Résumé

récupéré en direct d'OpenAlex

To determine the extent to which the perception of Pearson correlation r in a scatterplot depends on its appearance, we examined the effect of dot size on discrimination and magnitude estimation. Scatterplots were formed of 48 solid black dots on a white background, with axes 6.5 cm by 6.5 cm, and distribution standard deviations 1.3 cm. Observers (N=18) were tested via a within-observer design involving five conditions: dot diameters of 1 mm, 3 mm, 5 mm, 8 mm, and a mix of these sizes. Viewing distance was 67 cm. The methodology was that of Rensink and Baldridge (2010). In the discrimination task, observers were asked to select the plot with the higher perceived correlation; the just noticeable difference (JND) was measured at three base correlations (0.3, 0.6, 0.9). In the magnitude estimation task, observers adjusted a test plot until its perceived correlation was midway between those of two reference plots. The discrimination task was sandwiched between two sets of estimation tasks. All conditions were counterbalanced by base correlations and dot size, using a Latin square. The resulting JNDs were slightly higher than those reported by Rensink and Baldridge (2010) and Rensink (2017), but were still strongly linear functions of correlation (R^2=0.97); the Fechner assumption of equal perceived difference for each JND was also supported. Importantly, neither discrimination nor estimation were significantly affected by dot size. This further supports the proposal (Rensink, 2017) that perceived correlation in scatterplots is based not on the physical appearance of the scatterplot, but on a more abstract quantity, such as the shape of the probability density function derived from the locations of the dots in the image.

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)0,003
score de la tête « metaresearch » (Gemma)0,031
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Expérimental (laboratoire) · Signal consensuel: Expérimental (laboratoire)
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,003
Score d'incertitude au seuil0,016

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0030,031
Méta-épidémiologie (sens strict)0,0000,001
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0010,001
Études des sciences et des technologies0,0000,001
Communication savante0,0010,001
Science ouverte0,0000,001
Intégrité de la recherche0,0000,001
Charge utile insuffisante (le modèle a refusé de juger)0,0020,000

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.

Tête enseignante Opus0,073
Tête enseignante GPT0,393
Écart entre enseignants0,320 · 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'étudeExpérimental (laboratoire)
Domainenon disponible
GenreEmpirique

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

En bref

Citations0
Publié2021
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueJournal of VisionMême sujetImpact of AI and Big Data on Business and SocietyTravaux en français237 207