Kan brugerne finde hvad de leder efter - på både PC og mobil?: eyetracking 3F
Bibliographic record
Abstract
Danmarks Medie- og journalisthøjskole gennemførte i 2015 en eyetracking-undersøgelse i samarbejde med Fagforbundet 3F. Kernen i undersøgelsen hos 3F var, at brugerne skal finde, hvad de leder efter. Hurtigst og enklest muligt. Det er en radikalt anderledes brugssituation end den, der for eksempel karakteriserer nyhedslæsning. Her er målet typisk at producere og præsentere indholdet, så brugerne vil bruge så lang tid som muligt. På 3F´s hjemmeside er indholdet informationer knyttet til de forskellige jobfunktioner, fagforbundet dækker. Andre organisationer tilbyder andre former for information, der er nyttigt eller nødvendigt i bestemte situationer. Fælles for den type informationsbehov er, at de i stigende grad søges dækket her-og-nu, på den medie-platform der nu er tilgængelig. Hvor opgaven tidligere typisk blev udskudt, til man kunne sidde stille og roligt om aftenen ved pc´en, søges den nu løst, når behovet opstår, eller i korte pauser i løbet af dagen. Og i stigende grad på mobil eller tablet. Det betyder først og fremmest, at websiderne skal være lette at overskue og læse, også på mobil eller tablet. Modellen, der kaldes responsivt design, hvor indholdet tilpasser sig til alle skærmstørrelser, er åbenlyst en god løsning. Undersøgelsen viste dog, at responsivt design som en rent teknisk løsning ikke gør jobbet alene. Der skal mere til, hvis målet er, at brugerne let og hurtigt skal kunne finde
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 | 0.005 | 0.017 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.001 |
| Bibliometrics | 0.002 | 0.001 |
| Science and technology studies | 0.002 | 0.001 |
| Scholarly communication | 0.005 | 0.005 |
| Open science | 0.001 | 0.004 |
| Research integrity | 0.003 | 0.002 |
| Insufficient payload (model declined to judge) | 0.055 | 0.020 |
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".