MétaCan
Menu
Retour à la cohorte
Enregistrement W4287685446 · doi:10.48550/arxiv.2008.11310

Why Shouldn't All Charts Be Scatter Plots? Beyond Precision-Driven\n Visualizations

2020· preprint· W4287685446 sur OpenAlexaboutno aff
Enrico Bertini, Michael Correll, Steven Franconeri

Notice bibliographique

RevuearXiv (Cornell University) · 2020
Typepreprint
Langue
DomaineComputer Science
ThématiqueData Visualization and Analytics
Établissements canadiensnon disponible
Organismes subventionnairesnon disponible
Mots-clésScatter plotVisualizationComputer sciencePlot (graphics)Variable (mathematics)ChartArgument (complex analysis)Information visualizationVisual analyticsPie chartFormative assessmentPerceptionData visualizationArtificial intelligenceMathematicsStatisticsPsychologyMachine learning

Résumé

récupéré en direct d'OpenAlex

A central concept in information visualization research and practice is the\nnotion of visual variable effectiveness, or the perceptual precision at which\nvalues are decoded given visual channels of encoding. Formative work from\nCleveland & McGill has shown that position along a common axis is the most\neffective visual variable for comparing individual values. One natural\nconclusion is that any chart that is not a dot plot or scatterplot is deficient\nand should be avoided. In this paper we refute a caricature of this\n"scatterplots only" argument as a way to call for new perspectives on how\ninformation visualization is researched, taught, and evaluated.\n

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, Science ouverte, 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: Simulation ou modélisation · Signal consensuel: aucune
GenreSignal candidat: Méthodes · Signal consensuel: aucune
Score de désaccord entre enseignants0,978
Score d'incertitude au seuil1,000

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0000,000
Méta-épidémiologie (sens strict)0,0010,001
Méta-épidémiologie (sens large)0,0010,001
Bibliométrie0,0010,003
Études des sciences et des technologies0,0010,001
Communication savante0,0010,002
Science ouverte0,0060,007
Intégrité de la recherche0,0010,001
Charge utile insuffisante (le modèle a refusé de juger)0,0020,001

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 Opus0,150
Tête enseignante GPT0,261
Écart entre enseignants0,111 · 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'étudeSimulation ou modélisation
Domainenon disponible
GenreMéthodes

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
Publié2020
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revuearXiv (Cornell University)Même sujetData Visualization and AnalyticsTravaux en français237 207