Digitizing and Visualizing Sketch Map Data: A Semi-Structured Approach to Qualitative GIS
Notice bibliographique
Résumé
Aux côtés des approches qualitatives de cueillette des données, le croquis cartographique constitue un moyen intuitif de récolter les impressions de participants et de participantes sur l’espace et les lieux. Mais les données recueillies sont souvent difficiles à traiter, en particulier à numériser et à visualiser. Après une description de ces difficultés, cet article présente une approche « semi-structurée » de la cueillette, de la numérisation et de l’analyse des données en vue d’un croquis cartographique, ainsi qu’un progiciel à code source ouvert, QualMap, qui offre des outils de numérisation de ces données en langage de programmation R. Cette approche conserve les cartes de base précises employées dans d’autres travaux préparatoires à des croquis cartographiques. Pour aider à la numérisation et à l’analyse, elle leur surimpose toutefois une unité spatiale, déterminée par la chercheuse ou le chercheur. L’utilisation d’une unité spatiale normée ouvre encore d’autres possibilités de cartographie et d’analyse. L’applicabilité de cette approche est illustrée par un projet d’échantillonnage qui analyse les perceptions de l’espace recueillies auprès d’un échantillon de commodité formé d’étudiants et d’étudiantes de niveau collégial. Le groupement sur les cartes ainsi produites montre, autour du campus, une « bulle » qui rend compte de l’essentiel des déplacements hebdomadaires de la population étudiante. Ces données sont appariées à des données sur la criminalité, ce qui suggère la possibilité d’étendre par des méthodes mixtes cette approche « semi-structurée » du croquis cartographique.
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 distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,005 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,003 | 0,001 |
| Communication savante | 0,003 | 0,005 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
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.
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 tête enseignante, 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 ».