Digitizing and Visualizing Sketch Map Data: A Semi-Structured Approach to Qualitative GIS
Bibliographic record
Abstract
Aux côtés des approches qualitatives de cueillette des données, le croquis cartographique constitue un moyen intuitif de récolter les impressions de participants et de participantes sur l’espace et les lieux. Mais les données recueillies sont souvent difficiles à traiter, en particulier à numériser et à visualiser. Après une description de ces difficultés, cet article présente une approche « semi-structurée » de la cueillette, de la numérisation et de l’analyse des données en vue d’un croquis cartographique, ainsi qu’un progiciel à code source ouvert, QualMap, qui offre des outils de numérisation de ces données en langage de programmation R. Cette approche conserve les cartes de base précises employées dans d’autres travaux préparatoires à des croquis cartographiques. Pour aider à la numérisation et à l’analyse, elle leur surimpose toutefois une unité spatiale, déterminée par la chercheuse ou le chercheur. L’utilisation d’une unité spatiale normée ouvre encore d’autres possibilités de cartographie et d’analyse. L’applicabilité de cette approche est illustrée par un projet d’échantillonnage qui analyse les perceptions de l’espace recueillies auprès d’un échantillon de commodité formé d’étudiants et d’étudiantes de niveau collégial. Le groupement sur les cartes ainsi produites montre, autour du campus, une « bulle » qui rend compte de l’essentiel des déplacements hebdomadaires de la population étudiante. Ces données sont appariées à des données sur la criminalité, ce qui suggère la possibilité d’étendre par des méthodes mixtes cette approche « semi-structurée » du croquis cartographique.
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 | 0.010 | 0.033 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.006 | 0.006 |
| Science and technology studies | 0.001 | 0.004 |
| Scholarly communication | 0.007 | 0.005 |
| Open science | 0.002 | 0.006 |
| Research integrity | 0.001 | 0.002 |
| Insufficient payload (model declined to judge) | 0.011 | 0.002 |
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".