MétaCan
Menu
Retour à la cohorte
Enregistrement W4234597837 · doi:10.11647/obp.0213.08

8. Inspiration from Goethe’s Tender Empiricism

2021· book-chapter· en· W4234597837 sur OpenAlexfundno aff
Joshua Korenblat

Notice bibliographique

RevueOpen Book Publishers · 2021
Typebook-chapter
Langueen
DomainePsychology
ThématiqueAnimal and Plant Science Education
Établissements canadiensnon disponible
Organismes subventionnairesUniversity of Alberta
Mots-clésEmpiricismEpistemologyVisualizationHumanismPhilosophyComputer scienceArtificial intelligence

Résumé

récupéré en direct d'OpenAlex

Science, humanities and design might seem like unrelated fields. Yet, information designers, who unpack complex data involving real-world issues, can benefit from the ability to synthesize these seemingly disparate practices. To learn more integrated, humanistic approaches to data visualization, we might look to a time when science and the arts were less divided. The following chapter focuses on poet-scientist Johann Wolfgang von Goethe, the Romantic-era polymath. Goethe called his scientific method ‘tender empiricism’, a complementary practice to analytical empiricism. Goethe believed in portraying the same phenomena under subtle, changing conditions. While observing, collecting and visualizing, he also searched for what might be missing. A plant, for example, is not a collection of parts; it also portrays the process of growth even in static form. For Goethe, observational discoveries can change the inquiring mind. In contrast to data visualization practice today, which often focuses on summaries and abstract charts, Goethe believed that authentic, insightful truth dwells in real-world details. The second half of the chapter illustrates how Goethe’s ‘tender empiricism’ can be applied to design pedagogy. These case studies show how a Goethean ecological approach can be used to model a more ethical way of working with data.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesMéta-épidémiologie (sens strict), Communication savante, Charge utile insuffisante (le modèle a refusé de juger)
Catégories consensuellesCharge utile insuffisante (le modèle a refusé de juger)
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Sans objet · Signal consensuel: Sans objet
GenreSignal candidat: Autre · Signal consensuel: Autre
Score de désaccord entre enseignants0,136
Score d'incertitude au seuil1,000

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0000,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0000,000
Communication savante0,0020,002
Science ouverte0,0010,000
Intégrité de la recherche0,0010,001
Charge utile insuffisante (le modèle a refusé de juger)0,1390,004

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 Opus0,097
Tête enseignante GPT0,338
Écart entre enseignants0,241 · 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; les deux têtes enseignantes s’accordent sur ce qui est montré ici.

Devis d'étudeSans objet
Domainenon disponible
GenreAutre

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

En bref

Citations1
Publié2021
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueOpen Book PublishersMême sujetAnimal and Plant Science EducationTravaux en français237 207