Onko graafikko aktiivinen toimija infografiikan suunnittelussa ja sisällöntuotannossa? : Datajournalismi, informaatiomuotoilu ja visualisoinnit graafikon näkökulmasta
Bibliographic record
Abstract
Infografiikka, erilaiset tiedon visualisoinnit ja datajournalismi ovat näkyvä osa nykyistä tiedonvälitystä ja meitä ympäröivää visuaalista kuvastoa. Dataa kerätään valtavia määriä, ja sitä osataan myös hyödyntää koko ajan paremmin. Tekniikka kehittyy ja tiedon visualisointi on lukuisten helppokäyttöisten sovellusten avulla jo monien ulottuvilla. Tieteentekijät ja vaikkapa talousammattilaiset puolestaan ovat etulinjassa, kun visualisointien avulla analysoidaan uutta tietoa. \n \nPerinteisesti graafisen suunnittelijan on ajateltu vastaavan vain työn ulkoasusta, mutta todellisuudessa kaikkiin vähänkään suurempiin toimeksiantoihin on aina kuulunut paljon sisällön jäsentelyä. Tästä osaamisesta onkin hyötyä informaatiomuotoilun parissa työskennellessä. Mutta mitä uusia taitoja graafikon on omaksuttava, jotta hän pystyy olemaan täysipainoisesti mukana dynaamisten eli päivittyvää dataa hyödyntävien, mahdollisesti interaktiivisten infografiikoiden suunnittelussa, sisällöntuotannossa ja toteutuksessa? Visuaalisen alan koulutukseen sisältyy nykyisellään hyvin rajallinen määrä – jos sitäkään – koodausopetusta, mutta pitäisikö tämän muuttua? Tulisiko graafikon osata vähintään R-kielen ja Pythonin alkeet? Tämän asian kanssa olen ollut vastakkain, kun olen yrittänyt löytää rajapintoja, joissa pääsisin muotoilemaan dynaamista eli päivittyvää dataa. Myös tieteen visualisointia yliopistossa opettaessani mietin, mikä on infografiikan ja visualisointien teon ydinosaamista. \n \nTekniikka on kuitenkin vain yksi lähestymistapa datavisualisointeihin. Infografiikassa sisältö on keskiössä. Kaikki tehdyt ratkaisut ovat alisteisia sille, että sisältö – tieto – välittyy mahdollisimman puhtaasti ja parhaalla mahdollisella tavalla. Tutkielma sisältääkin käsitteiden määrittelyn ja teknisten vaihtoehtojen esittelyn lisäksi katsauksen visuaalisiin valintoihin, joita informaatiomuotoiluprosessissa tehdään. \n \nTeemahaastattelun ja saamani kyselyvastauksen lisäksi tutkimusaineistonani oli mittava määrä painettuja ja sähköisiä lähteitä. Liitin tutkielmaan myös runsaasti havainnollistavia ja tietoa lisääviä kuvia. Kirjoitusprosessin aikana vahvistui käsitykseni, että graafikko on parhaimmillaan arvokas osa informaatiomuotoiluryhmää. Työlleni graafikkona tutkielmasta olikin suuri hyöty. Kuitenkin myös tarve vähimmillään ohjelmoinnin alkeiden osaamiselle toistui lähdemateriaalissa. Siksi pidän tärkeänä, että informaatiomuotoilu ja datavisualisointi liitettäisiin tulevaisuudessa tiiviimmin visuaalisen muotoilun opetussuunnitelmaan. Myös täydennyskoulutusta olisi syytä tarjota kohtuuhinnoin ja pääkaupunkiseudun ulkopuolellakin.
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 | 0.004 | 0.010 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.000 |
| Bibliometrics | 0.002 | 0.002 |
| Science and technology studies | 0.004 | 0.004 |
| Scholarly communication | 0.028 | 0.019 |
| Open science | 0.001 | 0.006 |
| Research integrity | 0.004 | 0.004 |
| Insufficient payload (model declined to judge) | 0.092 | 0.047 |
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".