MétaCan
Menu
Retour à la cohorte
Enregistrement W4398600279 · doi:10.7910/dvn/9xwghn

Replication Data for: Maps in People’s Heads: Assessing A New Measure of Context

2017· dataset· en· W4398600279 sur OpenAlexaffabout
Jake Bowers

Notice bibliographique

RevueHarvard Dataverse · 2017
Typedataset
Langueen
DomaineSocial Sciences
ThématiqueGeographic Information Systems Studies
Établissements canadiensToronto Metropolitan University
Organismes subventionnairesnon disponible
Mots-clésReplication (statistics)Measure (data warehouse)Context (archaeology)Computer scienceData scienceData miningGeographyStatisticsArchaeologyMathematics

Résumé

récupéré en direct d'OpenAlex

To understand the relationship between place and politics, we must measure both political attitudes and the ways in which place is represented in the minds of individuals. In this paper, we assess a new measure of mental-representation of geography, in which survey respondents draw their own local communities on maps and describe them. This mapping measure has been used in Canada, the UK, Denmark, and the U.S. so far. We use a panel study in Canada to present evidence that these maps are both valid and reliable measures of a personally relevant geographic area, laying the measurement groundwork for the growing number of studies using this technology. We hope to set efforts to measure ‘place’ for the study of context and politics on firmer footing. Our validity assessments show that individuals are thinking about people and places with which they have regular contact when asked to draw their communities. Our reliability assessments show that people can draw more or less the same map twice, even when the exercise is repeated months later. Finally, we provide evidence that the concept of community is a tangible consideration in the minds of ordinary citizens and is not simply a normative aspiration or motivation.

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)0,006
score de la tête « metaresearch » (Gemma)0,046
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Sans objet · Signal consensuel: Sans objet
GenreSignal candidat: Jeu de données · Signal consensuel: Jeu de données
Score de désaccord entre enseignants0,069
Score d'incertitude au seuil0,189

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0060,046
Méta-épidémiologie (sens strict)0,0010,001
Méta-épidémiologie (sens large)0,0010,001
Bibliométrie0,0040,008
Études des sciences et des technologies0,0010,001
Communication savante0,0030,002
Science ouverte0,0030,004
Intégrité de la recherche0,0010,002
Charge utile insuffisante (le modèle a refusé de juger)0,0560,046

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 Opus0,102
Tête enseignante GPT0,376
Écart entre enseignants0,275 · 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'étudeSans objet
Domainenon disponible
GenreJeu de données

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
Publié2017
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revueHarvard DataverseMême sujetGeographic Information Systems StudiesTravaux en français237 207