MétaCan
Menu
Retour à la cohorte
Enregistrement W4252225706 · doi:10.22215/etd/2015-10964

Constructing Visual Narratives of Museum Experiences

2015· dissertation· en· W4252225706 sur OpenAlexaff
Jesse Gerroir

Notice bibliographique

Revuenon disponible
Typedissertation
Langueen
DomaineComputer Science
ThématiqueData Visualization and Analytics
Établissements canadiensCarleton University
Organismes subventionnairesnon disponible
Mots-clésVisualizationUsabilityNarrativeOperabilityFlexibility (engineering)Computer scienceConstruct (python library)Presentation (obstetrics)World Wide WebMultimediaHuman–computer interactionCreative visualizationSoftware engineeringArtificial intelligence

Résumé

récupéré en direct d'OpenAlex

The technological enrichment of museums serves as a prime area of research focused on the changing role of information and communication technologies and the visualization of personal data. While previous research projects have focused on using mobile and interactive technologies as electronic museum guides or tools for viewing additional information, in contrast, this project takes a different approach. It seeks to develop new methods to visualize the data collected from a user's trip through a museum enabling the user to construct a presentation that they can use to reflect, communicate, and share their experiences with others. The visualization they construct is not just a presentation of facts about their trip, but also a visual narrative of what they experienced. To this end, four styles of visual narratives (each targeting a particular purpose) were designed, developed, and tested via a prototype that allowed participants to explore a virtual museum and construct a visual narrative of their trip in any of the designed styles. It also allowed them to access narratives created by others. Our usability study was based upon a series of evaluation criteria such as effectiveness, operability, overall satisfaction, flexibility, and sociability. It demonstrates the users do in fact prefer the proposed narrative visualization and our visualization styles serve distinct purposes. First and foremost, I would like to thank my supervisor Ali Arya. It seems like just the other day I was still in high school going to Carleton University's open house. He was the first person I talked to about the IMD program and he convinced me to go into the undergraduate program that eventually lead to my graduate studies, instead of the video game design stream of the Computer Science program. The IMD program sounded much more interesting and he made it feel really fun and welcoming. It has been quite the journey ever since where I have learned a lot, grown a lot, and really developed the skills, experience, and knowledge to achieve a sense of professionalism. He has been my instructor numerous time and I have worked with him on various research projects. I am

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 candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Qualitatif · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,618
Score d'incertitude au seuil0,467

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 savante0,0000,000
Science ouverte0,0010,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

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 Opus0,029
Tête enseignante GPT0,367
Écart entre enseignants0,338 · 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 tête enseignante, pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeQualitatif
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
Publié2015
Routes d'admission1
Résumé présentoui

Explorer davantage

Même sujetData Visualization and AnalyticsTravaux en français237 207