“It looks like someone just threw random dots on a dot plot”: User Response to Sketchy Rendering Styles for Data-Driven Algorithmic Systems
Notice bibliographique
Résumé
This paper examines how users respond to different rendering styles during early-stage interactions with data-driven algorithmic systems. Specifically, we examine how presenting an early version of a design in a “sketchy” style, designed to signal tentativeness and invite critique, may influence the user responses. We conducted a 2 × 2 think-aloud study using a prototype system developed to support data journalists in identifying outliers, manipulating both the underlying outlier detection model (Model A vs. Model B) and the visual rendering style of the interface (Sketchy vs. Polished). Results show that participants exposed to Sketchy renderings were more likely to suggest design changes, but only when interacting with one of the two models. Furthermore, the feedback elicited in the Sketchy condition was primarily aesthetic and surface-level rather than focused on the underlying data or algorithms. These findings suggest that sketchy rendering styles may encourage greater user engagement but not necessarily the kind of feedback that touches on the underlying aspects of the system, which designers of algorithmic systems may seek. We discuss the implications of these results for design practices, particularly prototyping fidelity, perceived system credibility, and the cultural assumptions embedded in design methods. This work contributes to a growing body of research examining how the presentation of design artifacts, such as through different rendering styles, may influence the kinds of feedback users provide during the development of algorithmic systems.
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 | 0,003 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,003 | 0,001 |
| Science ouverte | 0,004 | 0,003 |
| 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 ».