MétaCan
Menu
Retour à la cohorte
Enregistrement W4247637668 · doi:10.1002/asi.21202

Image use within the work task model: Images as information and illustration

2009· article· en· W4247637668 sur OpenAlexafffund
Lori McCay‐Peet, Elaine G. Toms

Notice bibliographique

RevueJournal of the American Society for Information Science and Technology · 2009
Typearticle
Langueen
DomaineComputer Science
ThématiqueImage Retrieval and Classification Techniques
Établissements canadiensDalhousie University
Organismes subventionnairesCanada Research Chairs
Mots-clésComputer scienceTask (project management)SophisticationContext (archaeology)Process (computing)Conceptual frameworkImage (mathematics)Data scienceInformation retrievalArtificial intelligenceSociologySocial science

Résumé

récupéré en direct d'OpenAlex

Abstract With increasing sophistication in technology has emerged a growing interest in accessing images for personal and work purposes. In this research we investigated the use of images as data—for the information contained within the image, and as an object to illustrate. Thirty journalists and historians from academic and professional work settings were interviewed using a series of semistructured questions regarding how they use images (for information or for illustration) and the types of image attributes used to describe an appropriate image for their work. This was done within the context of a work task model used by this group to understand how images are used throughout the process of completing a typical written work task. Findings suggest that the stage of the work task process has a significant impact on how the image is used (information or illustration). Participants use as many descriptive as conceptual image attributes to locate an image, but, interestingly, there are no significant differences according to use for information or illustration purposes. This study increases our understanding of the function of images in the written work task process, and provides new knowledge about the conceptual and descriptive attributes that are most valued.

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)0,021
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,004
Score d'incertitude au seuil0,016

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0030,021
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0010,001
Études des sciences et des technologies0,0010,003
Communication savante0,0040,004
Science ouverte0,0010,002
Intégrité de la recherche0,0010,001
Charge utile insuffisante (le modèle a refusé de juger)0,0030,000

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 Opus0,013
Tête enseignante GPT0,264
Écart entre enseignants0,251 · 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'étudeObservationnel
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

Citations40
Publié2009
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revueJournal of the American Society for Information Science and TechnologyMême sujetImage Retrieval and Classification TechniquesTravaux en français237 207