Graphs, Tables, and Scientific Illustrations: Visualisation as the Science of Seeing Gerontology
Bibliographic record
Abstract
RÉSUMÉ Une caractéristique essentielle de la découverte scientifique est l’utilisation d’inscriptions visuelles (p. ex. graphiques, illustrations) facilitant l’analyse des données, leur interprétation et leur communication (p. ex. Latour, 1990 ; Lynch, 1985). L’objectif de cette recherche était d’examiner les types d’inscriptions visuelles utilisés pour la présentation de données dans les revues scientifiques en gérontologie. Nous avons comparé 357 articles publiés entre 1995 et 2009 qui ont été échantillonnés à partir de 24 revues de gérontologie avec comités de pairs. Approximativement 11 pour cent de l’espace d’impression était consacré à la présentation de données ; les tableaux occupaient comparativement plus d’espace (9,13 %) que les graphiques (2,32 %). L’utilisation des graphiques dans les articles en gérontologie était inférieure à celle observée pour les articles en psychologie (6,6 % de l’espace d’impression), mais supérieure à celle retrouvée en criminologie ou en justice criminelle (1,7 % de l’espace d’impression). À l’instar de Latour (1990), nous soutenons que les figures représentent un résumé accessible de données complexes, permettant ainsi une présentation efficace de résultats multidimensionnels. Lorsque les inscriptions visuelles sont utilisées dans la dissémination des résultats, les chercheurs deviennent moins dépendants du jargon statistique et peuvent communiquer plus aisément avec divers publics (chercheurs, professionnels de la santé, clients).
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 | 0.007 | 0.044 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.011 | 0.010 |
| Science and technology studies | 0.002 | 0.008 |
| Scholarly communication | 0.015 | 0.013 |
| Open science | 0.001 | 0.005 |
| Research integrity | 0.002 | 0.002 |
| Insufficient payload (model declined to judge) | 0.033 | 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".