CARTOD / MAPOD. Une application de visualisation de la demande de transport locale par déformation des arêtes et des sommets pour augmenter la lisibilité
Bibliographic record
Abstract
L’objectif de l’application CARTOD est d’autoriser la géovisualisation de l’ensemble de l’information présente dans une matrice de flux sous la forme d’un graphe spatialisé et cela, sans opérer de sélection a priori des valeurs à représenter. La représentation des flux pose, en effet, un problème majeur de lisibilité lorsque la matrice est dense. Sachant que le nombre d’arêtes est fonction du nombre N de lieux d’origine et de destination, les N(N-1) figurés qui les représentent se traduisent sur la figure par un chevauchement trop important : c’est l’effet spaghetti (Breukelman & al., 2009). Ce problème général étant aussi de nature topologique, puisque les lieux sont nécessairement localisés, nous proposons deux solutions, outre l’utilisation d’une sémiologie adaptée. La première vise à agir sur la localisation des arêtes et la seconde sur celle des n½uds, soit respectivement sur les flux et sur les lieux. L’application CARTOD est ainsi fondée sur un mode de représentation inédit qui s’inspire du 'chord diagram' (Stoica et al., 2001) d’une part et, de l’autre, sur une méthode de déformation des arêtes et des sommets (Holten, 2006) ; toutes deux assurent la lisibilité de la figure et la conservation des motifs des flux à l’échelle concernée. Edge bundling, Jflowmap
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 | 0.002 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.002 | 0.001 |
| Science and technology studies | 0.001 | 0.000 |
| Scholarly communication | 0.003 | 0.002 |
| Open science | 0.001 | 0.002 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.023 | 0.005 |
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".