L'efficacité et la navigabilité d'un site Web : rien ne sert de courir, il faut aller dans la bonne direction
Bibliographic record
Abstract
Résumé Contrairement à une idée souvent véhiculée, la longueur d’une tâche accomplie par un consommateur sur un site Web, non plus que le nombre ce clics qu’elle nécessite, ne nuit à l’efficacité perçue ou réelle de ce site. Cependant, le nombre de «culs-de-sac» que rencontre le consommateur aura un effet déterminant sur sa perception d’un site Web. Cet article s’appuie sur une recherche qui a été effectuée en collaboration avec plusieurs entreprises canadiennes. Les comportements de navigation de plusieurs centaines de consommateurs ont été analysés selon trois méthodes de recherche. Basés sur une série d’échelles de mesures, sur des analyses de protocoles et sur l’analyse des parcours de navigation, les résultats obtenus sont importants pour la mise au point de sites Web destinés aux consommateurs. Notre étude démontre que les consommateurs qui naviguent sur un site ne souhaitent pas tant des sites concis que des sites reflétant leurs propres inférences de recherche, ce qui minimise les risques de s’y perdre. Ces résultats suggèrent une façon de développer des sites Web destinés à des consommateurs qui tienne compte davantage de l’avis des usagers que de celui des développeurs.
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame machine prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. The Gemma side is a direct model label for every work in the frame, read from the title-only record. The Codex side is a classifier learned from the 10,348 direct Codex labels and calibrated to design-weighted sample rates; fields without enough sample support carry no Codex call. Candidate is the union of the two sides; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels.
Distilled classifier scores by category (both heads)
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.017 | 0.069 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.002 | 0.003 |
| Science and technology studies | 0.002 | 0.003 |
| Scholarly communication | 0.008 | 0.008 |
| Open science | 0.001 | 0.003 |
| Research integrity | 0.002 | 0.002 |
| Insufficient payload (model declined to judge) | 0.014 | 0.004 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; a candidate call from one source (direct Gemma or distilled Codex), not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".