Visualization Techniques for Confidence Based Data
Notice bibliographique
Résumé
Decision support algorithms form an important part of the larger world of data mining. The purpose of a decision support system is to provide a human user with the context surrounding a complex decision to be based on computational analysis of the data at hand. Typically, the data to be considered cannot be adequately managed by a human decision maker because of its volume, complexity or both; data mining techniques are therefore used to discover patterns in the data and inform the user of their saliency in terms of a particular decision to be made. Visualization plays an important role in decision support, as it is through visualization that we can most easily comprehend complex data relationships (Tufte, 1997, 2001, 2006; Wright, 1997). Visualization provides a means of interfacing computationally discovered patterns with the strong pattern recognition system of the human brain. As designers of visualization for decision support systems, our task is to present computational data in ways that make intuitive sense based on our knowledge of the brain’s aptitudes and visual processing preferences. Confidence, in the context of a decision support system, is an estimate of the value a user should place in the suggestion made by the system. System reliability is the measure of overall accuracy; confidence is an estimate of the accuracy of the suggestion currently being presented. The idea of an associated confidence or certainty value in decision support systems has been incorporated in systems as early as MYCIN (Shortliffe, 1976; Buchanan & Shortliffe, 1984). Request access from your librarian to read this chapter's full text.
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 | 0,000 | 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 | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,003 | 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 ».