Notice bibliographique
Résumé
Since the groundbreaking work by Cleveland and McGill in 1984, studies have revealed the difficulties humans have extracting quantitative data from visualizations as simple as bar graphs. As a first step toward understanding this situation, this paper proposes a mathematical model of the interpretation effort of a bar graph using concepts drawn from eye tracking. First, three key areas of interest (AOIs) are identified, and fixations are modeled as random point clouds within the AOIs. Stochastic geometry is introduced via random triangles connecting fixations within the adjacent key visual regions. The so-called landmark methodology provides the basis for the probabilistic analysis of the constructed system. It is found that the random length of interest in a stochastic triangle has a noncentral chi distribution with a known mean. Unique to this model, in terms of previous landmark applications, is the inclusion of a correlation between fixations, which is justified by physiological studies of the eyes. This approach introduces several model parameters, such as the noncentrality parameter, variance of the fixation cloud, correlation between fixations, and a visualization scale. A detailed parametric analysis examining the dependence of the mean on these parameters is conducted. The paper ties this work to the visualization via a definition of the expected visual measurement error. An asymptotic analysis of the visual error is performed, and a simple expression is found to relate the expected visual measurement error to the key model parameters. From this expression, the influence these parameters have on a visualization’s interpretation is considered.
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 | 0,000 | 0,000 |
| 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 ».