Bibliographic record
Abstract
Apresenta-se um estudo quantitativo dos formatos de exibição usados em apresentações PowerPoint. O estudo é baseado numa amostra aleatória de 100 apresentações disponíveis na Internet e considera o uso de texto, gráficos e figuras pelos autores, em relação com o conteúdo e o propósito da apresentação. Os autores utilizam massivamente o texto, quer discursivo ou, em 86 % dos casos, listas com marcas. São concebidas usando sobretudo as fontes por defeito, frequentemente em tamanhos ou muito pequenos ou muito grandes e muito poucas cores. Gráficos e tabelas constituem apenas 4 a 5 % do total de páginas, sobretudo em apresentações científicas ou técnicas ; estas últimas são utilizadas por um maior número de autores. Reproduções fotográficas de objectos ou lugares estão surpreendentemente limitadas a menos de 20 % das apresentações e 4 % do número total de páginas, mas constituem 26 % das páginas quando usadas, indicando assim um tipo especializado. Esquematizações são muito mais frequentes, e quase metade dos apresentadores usam elementos ornamentais tais como o Clip Art. A análise de imagens parece ser uma técnica interessante na tentativa de caracterização de tipos de apresentações.
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 | 0.001 | 0.010 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.002 | 0.002 |
| Science and technology studies | 0.001 | 0.001 |
| Scholarly communication | 0.004 | 0.006 |
| Open science | 0.001 | 0.003 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.078 | 0.018 |
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".