Notice bibliographique
Résumé
The extent to which data visualizations are used, and the quality of these visualizations, has consistently been shown to influence human decision-making relative to static (non-visual) presentations of findings or ideas (Boldosova & Luoto, 2019; El-Wakeel et al., 2020; Liem et al., 2020). Why are visualizations so impactful? Likely because most decision-makers do not want to sort through spreadsheets or read a novel-length narrative to understand what is important—they want it straight and quick. They want color, novelty, storytelling, and interactivity (Dykes, 2020; Kostelnick, 2016; Kosara & MacKinley, 2013). This is the purpose of data storytelling: to literally tell a story about the data analyses to, in some way, impart knowledge or affect change among the audience. Data and data analysis are never neutral—they are always political–and storytelling is how the data analyst can attempt to influence how data findings are perceived by the audience. This paper discusses the basis of data storytelling and why it is important for creating a narrative around data visualizations that compels readers and viewers to act upon findings. It then discusses (in the form of a reflective discussion) how the art of data storytelling may be improved and activated to promote social justice themes by reflecting on the effectiveness of storytelling in hip hop music.
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 | 0,002 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,003 |
| Science ouverte | 0,006 | 0,021 |
| 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; les deux têtes enseignantes s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».