43 research outputs found
CoST: An annotated Data Collection for Complex Search
No full textCoST is a novel richly annotated dataset for evaluating complex search tasks, collaboratively designed by researchers from the computer science and cognitive psychology domains, and intended to answer a wide range of research questions dealing with task-based search. CoST includes 5667 queries recorded in 630 task-based sessions that result from a user study involving 70 french native participants who are expert in one among 3 different domains of expertise (computer science, medicine, psychology). Each participant completed 15 tasks with 5 different types of cognitive complexity (fact-finding, exploratory learning, decisionmaking, problem-solving, multicriteria-inferential). In addition to search data (e.g., queries and clicks), CoST provides task and sessionrelated data, task annotations and query annotations. We illustrate possible usages of CoST through the evaluation of query classification models and the understanding of the effect of task complexity and domain on user’s search behavior.If you use this dataset, please cite:@inproceedings{10.1145/3459637.3481998,author = {Dosso, Cheyenne and Moreno, Jose G. and Chevalier, Aline and Tamine, Lynda},title = {CoST: An Annotated Data Collection for Complex Search},year = {2021},isbn = {9781450384469},publisher = {Association for Computing Machinery},address = {New York, NY, USA},url = {https://doi.org/10.1145/3459637.3481998},doi = {10.1145/3459637.3481998},booktitle = {Proceedings of the 30th ACM International Conference on Information & Knowledge Management},pages = {4455–4464},numpages = {10},keywords = {complex search task, user study, evaluation, expertise},location = {Virtual Event, Queensland, Australia},series = {CIKM '21}}</div
Les compromis stratégiques exploration-exploitation en tant qu'heuristiques de navigation et d'apprentissage thématique pendant la recherche d'informations : effets des connaissances antérieures du domaine des utilisateurs et des caractéristiques des tâches
No full textInformation search (IS) on the Internet is a complex cognitive activity where users interact with information systems (IS) to collect and acquire knowledge in an efficient and relevant way. However, as users' search goals have diversified over the years, a set of issues has emerged regarding the actual effectiveness of human-IS interactions in achieving high-level goals (e.g., understanding and learning). Among the inventory of cognitive strategies that users can execute to deal with the various constraints of search as learning, this thesis focuses on heuristic reasoning that aims at a strategic trade-off between providing a quality answer while reducing the temporal and cognitive costs involved in its production. We argue that two heuristics are particularly relevant to investigate for the purpose of improving human-IS interactions: 1. the Exploration-Exploitation navigational heuristic (Sanchiz et al., 2020) and 2. the Exploration-Exploitation thematic learning heuristic (Hardy et al., 2019). This thesis also incorporates the investigation of the role of users' prior domain knowledge on these heuristics arguing that a better description of these effects can only benefit the improvement of learning-dedicated IS. In total, four experimental studies were conducted. The first two focused on the distinction between multi-step lookup tasks requiring a deep understanding of the contents to be solved and exploratory tasks involving the acquisition of knowledge on different topics. The latter two focused more on the distinction between exploratory tasks and high-level creative learning tasks. For each study, the effects of users' prior domain knowledge (low vs. high) on the two exploration-exploitation heuristics were evaluated. The results obtained show that task characteristics and prior domain knowledge affect how users solve the navigational and thematic Exploration-Exploitation heuristics. Users with high knowledge have higher search scores (lookup) when pursuing specific thematic exploitation goals while users with low knowledge perform better when formulating thematic exploration goals. In particular, the overall pattern of results indicates that users with low knowledge explore more different thematic content to perform exploratory and creative tasks. On the other hand, users with high domain knowledge are more effective in resolving the exploration-exploitation navigational trade-off by processing more content in a minimum amount of time and effort, especially for complex lookup and exploratory tasks. In light of the results obtained, this thesis proposes the premises of a new model of search as learning, the "Problem Solving as Dynamic Exploration-Exploitation Learning" (PS-DEEL) integrating the role of both heuristics and prior domain knowledge in solving complex learning-oriented search tasks. In accordance with this model, propositions for improving IS that are more intuitive and more adapted to heuristic reasoning are proposed in order to make human-IS interactions more efficient during an IS activity dedicated to learning.La recherche d’informations (RI) sur Internet est une activité cognitive complexe où les utilisateurs sont en interaction avec des systèmes d’informations (SI) pour collecter et acquérir des connaissances de façon efficace et pertinente. Cependant, les objectifs de recherche des utilisateurs s’étant diversifiés au fil des années, un ensemble de problématiques ont émergé quant à l’efficacité réelle des interactions humains-SIs dans la réussite d’objectifs de hauts niveaux (e.g., compréhension et apprentissage). Parmi le répertoire de stratégies cognitives que les utilisateurs peuvent mettre en place pour faire face aux différentes contraintes de l’apprentissage par la recherche, la présente thèse se focalise sur le raisonnement par heuristique qui vise un compromis stratégique entre fournir une réponse de qualité tout en réduisant les coûts temporels et cognitifs que nécessite sa production. Nous soutenons que deux heuristiques sont particulièrement pertinentes à investiguer dans un but d’amélioration des interactions humain-SIs : 1. l’heuristique navigationnelle Exploration-Exploitation (Sanchiz et al., 2020) et 2. l’heuristique d’apprentissage thématique Exploration-Exploitation (Hardy et al., 2019). La présente thèse intègre également l’investigation du rôle des connaissances antérieures du domaine des utilisateurs sur ces heuristiques en soutenant qu’une meilleure description de ces effets ne peut que bénéficier à l’amélioration des SIs dédiés à l’apprentissage. Au total, quatre études expérimentales ont été conduites. Les deux premières se sont concentrées sur la distinction entre les tâches de consultation (Lookup) multi-étapes et nécessitant une compréhension approfondie des contenus pour être résolues et les tâches exploratoires impliquant l’acquisition de connaissances sur différents sujets. Les deux dernières ont davantage porté leur intérêt sur la distinction entre les tâches exploratoires et les tâches d’apprentissage créatif de haut niveau. Pour chaque étude, les effets des connaissances antérieures du domaine des utilisateurs (faibles vs. élevées) sur les deux heuristiques exploration-exploitation ont été évalués. Les résultats obtenus montrent que les caractéristiques des tâches et les connaissances antérieures du domaine affectent la façon dont les utilisateurs résolvent les heuristiques navigationnelle et thématique Exploration-Exploitation. Les utilisateurs avec des connaissances élevées ont des scores de recherche (lookup) plus élevés lorsqu’ils poursuivent des objectifs d’exploitation thématique spécifique alors que les utilisateurs avec des connaissances faibles obtiennent de meilleurs résultats lorsqu’ils formulent des objectifs d’exploration thématique. En particulier, la tendance globale des résultats indique que les utilisateurs avec des connaissances faibles explorent plus de contenus thématiques différents pour réaliser des tâches exploratoires et créatives. Par contre, les utilisateurs avec des connaissances élevées dans le domaine sont plus efficaces dans la résolution du compromis navigationnel exploration-exploitation en traitant plus de contenus en un minimum de temps et d’efforts, en particulier en ce qui concerne les tâches de lookup complexe et les tâches exploratoires. A la lumière des résultats obtenus, ce travail de thèse propose les prémisses d’un nouveau modèle de l’apprentissage par la recherche, le "Problem Solving as Dynamic Exploration-Exploitation Learning" (PS-DEEL) intégrant le rôle des deux heuristiques et des connaissances antérieures du domaine dans la résolution de tâches de recherche complexes orientées apprentissage. En accord avec ce modèle, des pistes d’améliorations des SIs plus intuitifs et plus adaptés au raisonnement par heuristiques sont proposées afin de rendre plus efficaces les interactions humain-SIs lors d’une activité de RI dédiée à de l’apprentissage
The strategic trade-off Exploration-Exploitation as navigational and thematic learning heuristics along the information search : effects of users’ prior domain knowledge and tasks’ characteristics
No full textLa recherche d’informations (RI) sur Internet est une activité cognitive complexe où les utilisateurs sont en interaction avec des systèmes d’informations (SI) pour collecter et acquérir des connaissances de façon efficace et pertinente. Cependant, les objectifs de recherche des utilisateurs s’étant diversifiés au fil des années, un ensemble de problématiques ont émergé quant à l’efficacité réelle des interactions humains-SIs dans la réussite d’objectifs de hauts niveaux (e.g., compréhension et apprentissage). Parmi le répertoire de stratégies cognitives que les utilisateurs peuvent mettre en place pour faire face aux différentes contraintes de l’apprentissage par la recherche, la présente thèse se focalise sur le raisonnement par heuristique qui vise un compromis stratégique entre fournir une réponse de qualité tout en réduisant les coûts temporels et cognitifs que nécessite sa production. Nous soutenons que deux heuristiques sont particulièrement pertinentes à investiguer dans un but d’amélioration des interactions humain-SIs : 1. l’heuristique navigationnelle Exploration-Exploitation (Sanchiz et al., 2020) et 2. l’heuristique d’apprentissage thématique Exploration-Exploitation (Hardy et al., 2019). La présente thèse intègre également l’investigation du rôle des connaissances antérieures du domaine des utilisateurs sur ces heuristiques en soutenant qu’une meilleure description de ces effets ne peut que bénéficier à l’amélioration des SIs dédiés à l’apprentissage. Au total, quatre études expérimentales ont été conduites. Les deux premières se sont concentrées sur la distinction entre les tâches de consultation (Lookup) multi-étapes et nécessitant une compréhension approfondie des contenus pour être résolues et les tâches exploratoires impliquant l’acquisition de connaissances sur différents sujets. Les deux dernières ont davantage porté leur intérêt sur la distinction entre les tâches exploratoires et les tâches d’apprentissage créatif de haut niveau. Pour chaque étude, les effets des connaissances antérieures du domaine des utilisateurs (faibles vs. élevées) sur les deux heuristiques exploration-exploitation ont été évalués. Les résultats obtenus montrent que les caractéristiques des tâches et les connaissances antérieures du domaine affectent la façon dont les utilisateurs résolvent les heuristiques navigationnelle et thématique Exploration-Exploitation. Les utilisateurs avec des connaissances élevées ont des scores de recherche (lookup) plus élevés lorsqu’ils poursuivent des objectifs d’exploitation thématique spécifique alors que les utilisateurs avec des connaissances faibles obtiennent de meilleurs résultats lorsqu’ils formulent des objectifs d’exploration thématique. En particulier, la tendance globale des résultats indique que les utilisateurs avec des connaissances faibles explorent plus de contenus thématiques différents pour réaliser des tâches exploratoires et créatives. Par contre, les utilisateurs avec des connaissances élevées dans le domaine sont plus efficaces dans la résolution du compromis navigationnel exploration-exploitation en traitant plus de contenus en un minimum de temps et d’efforts, en particulier en ce qui concerne les tâches de lookup complexe et les tâches exploratoires. A la lumière des résultats obtenus, ce travail de thèse propose les prémisses d’un nouveau modèle de l’apprentissage par la recherche, le "Problem Solving as Dynamic Exploration-Exploitation Learning" (PS-DEEL) intégrant le rôle des deux heuristiques et des connaissances antérieures du domaine dans la résolution de tâches de recherche complexes orientées apprentissage. En accord avec ce modèle, des pistes d’améliorations des SIs plus intuitifs et plus adaptés au raisonnement par heuristiques sont proposées afin de rendre plus efficaces les interactions humain-SIs lors d’une activité de RI dédiée à de l’apprentissage.Information search (IS) on the Internet is a complex cognitive activity where users interact with information systems (IS) to collect and acquire knowledge in an efficient and relevant way. However, as users' search goals have diversified over the years, a set of issues has emerged regarding the actual effectiveness of human-IS interactions in achieving high-level goals (e.g., understanding and learning). Among the inventory of cognitive strategies that users can execute to deal with the various constraints of search as learning, this thesis focuses on heuristic reasoning that aims at a strategic trade-off between providing a quality answer while reducing the temporal and cognitive costs involved in its production. We argue that two heuristics are particularly relevant to investigate for the purpose of improving human-IS interactions: 1. the Exploration-Exploitation navigational heuristic (Sanchiz et al., 2020) and 2. the Exploration-Exploitation thematic learning heuristic (Hardy et al., 2019). This thesis also incorporates the investigation of the role of users' prior domain knowledge on these heuristics arguing that a better description of these effects can only benefit the improvement of learning-dedicated IS. In total, four experimental studies were conducted. The first two focused on the distinction between multi-step lookup tasks requiring a deep understanding of the contents to be solved and exploratory tasks involving the acquisition of knowledge on different topics. The latter two focused more on the distinction between exploratory tasks and high-level creative learning tasks. For each study, the effects of users' prior domain knowledge (low vs. high) on the two exploration-exploitation heuristics were evaluated. The results obtained show that task characteristics and prior domain knowledge affect how users solve the navigational and thematic Exploration-Exploitation heuristics. Users with high knowledge have higher search scores (lookup) when pursuing specific thematic exploitation goals while users with low knowledge perform better when formulating thematic exploration goals. In particular, the overall pattern of results indicates that users with low knowledge explore more different thematic content to perform exploratory and creative tasks. On the other hand, users with high domain knowledge are more effective in resolving the exploration-exploitation navigational trade-off by processing more content in a minimum amount of time and effort, especially for complex lookup and exploratory tasks. In light of the results obtained, this thesis proposes the premises of a new model of search as learning, the "Problem Solving as Dynamic Exploration-Exploitation Learning" (PS-DEEL) integrating the role of both heuristics and prior domain knowledge in solving complex learning-oriented search tasks. In accordance with this model, propositions for improving IS that are more intuitive and more adapted to heuristic reasoning are proposed in order to make human-IS interactions more efficient during an IS activity dedicated to learning
Les compromis stratégiques exploration-exploitation en tant qu'heuristiques de navigation et d'apprentissage thématique pendant la recherche d'informations : effets des connaissances antérieures du domaine des utilisateurs et des caractéristiques des tâches
No full textInformation search (IS) on the Internet is a complex cognitive activity where users interact with information systems (IS) to collect and acquire knowledge in an efficient and relevant way. However, as users' search goals have diversified over the years, a set of issues has emerged regarding the actual effectiveness of human-IS interactions in achieving high-level goals (e.g., understanding and learning). Among the inventory of cognitive strategies that users can execute to deal with the various constraints of search as learning, this thesis focuses on heuristic reasoning that aims at a strategic trade-off between providing a quality answer while reducing the temporal and cognitive costs involved in its production. We argue that two heuristics are particularly relevant to investigate for the purpose of improving human-IS interactions: 1. the Exploration-Exploitation navigational heuristic (Sanchiz et al., 2020) and 2. the Exploration-Exploitation thematic learning heuristic (Hardy et al., 2019). This thesis also incorporates the investigation of the role of users' prior domain knowledge on these heuristics arguing that a better description of these effects can only benefit the improvement of learning-dedicated IS. In total, four experimental studies were conducted. The first two focused on the distinction between multi-step lookup tasks requiring a deep understanding of the contents to be solved and exploratory tasks involving the acquisition of knowledge on different topics. The latter two focused more on the distinction between exploratory tasks and high-level creative learning tasks. For each study, the effects of users' prior domain knowledge (low vs. high) on the two exploration-exploitation heuristics were evaluated. The results obtained show that task characteristics and prior domain knowledge affect how users solve the navigational and thematic Exploration-Exploitation heuristics. Users with high knowledge have higher search scores (lookup) when pursuing specific thematic exploitation goals while users with low knowledge perform better when formulating thematic exploration goals. In particular, the overall pattern of results indicates that users with low knowledge explore more different thematic content to perform exploratory and creative tasks. On the other hand, users with high domain knowledge are more effective in resolving the exploration-exploitation navigational trade-off by processing more content in a minimum amount of time and effort, especially for complex lookup and exploratory tasks. In light of the results obtained, this thesis proposes the premises of a new model of search as learning, the "Problem Solving as Dynamic Exploration-Exploitation Learning" (PS-DEEL) integrating the role of both heuristics and prior domain knowledge in solving complex learning-oriented search tasks. In accordance with this model, propositions for improving IS that are more intuitive and more adapted to heuristic reasoning are proposed in order to make human-IS interactions more efficient during an IS activity dedicated to learning.La recherche d’informations (RI) sur Internet est une activité cognitive complexe où les utilisateurs sont en interaction avec des systèmes d’informations (SI) pour collecter et acquérir des connaissances de façon efficace et pertinente. Cependant, les objectifs de recherche des utilisateurs s’étant diversifiés au fil des années, un ensemble de problématiques ont émergé quant à l’efficacité réelle des interactions humains-SIs dans la réussite d’objectifs de hauts niveaux (e.g., compréhension et apprentissage). Parmi le répertoire de stratégies cognitives que les utilisateurs peuvent mettre en place pour faire face aux différentes contraintes de l’apprentissage par la recherche, la présente thèse se focalise sur le raisonnement par heuristique qui vise un compromis stratégique entre fournir une réponse de qualité tout en réduisant les coûts temporels et cognitifs que nécessite sa production. Nous soutenons que deux heuristiques sont particulièrement pertinentes à investiguer dans un but d’amélioration des interactions humain-SIs : 1. l’heuristique navigationnelle Exploration-Exploitation (Sanchiz et al., 2020) et 2. l’heuristique d’apprentissage thématique Exploration-Exploitation (Hardy et al., 2019). La présente thèse intègre également l’investigation du rôle des connaissances antérieures du domaine des utilisateurs sur ces heuristiques en soutenant qu’une meilleure description de ces effets ne peut que bénéficier à l’amélioration des SIs dédiés à l’apprentissage. Au total, quatre études expérimentales ont été conduites. Les deux premières se sont concentrées sur la distinction entre les tâches de consultation (Lookup) multi-étapes et nécessitant une compréhension approfondie des contenus pour être résolues et les tâches exploratoires impliquant l’acquisition de connaissances sur différents sujets. Les deux dernières ont davantage porté leur intérêt sur la distinction entre les tâches exploratoires et les tâches d’apprentissage créatif de haut niveau. Pour chaque étude, les effets des connaissances antérieures du domaine des utilisateurs (faibles vs. élevées) sur les deux heuristiques exploration-exploitation ont été évalués. Les résultats obtenus montrent que les caractéristiques des tâches et les connaissances antérieures du domaine affectent la façon dont les utilisateurs résolvent les heuristiques navigationnelle et thématique Exploration-Exploitation. Les utilisateurs avec des connaissances élevées ont des scores de recherche (lookup) plus élevés lorsqu’ils poursuivent des objectifs d’exploitation thématique spécifique alors que les utilisateurs avec des connaissances faibles obtiennent de meilleurs résultats lorsqu’ils formulent des objectifs d’exploration thématique. En particulier, la tendance globale des résultats indique que les utilisateurs avec des connaissances faibles explorent plus de contenus thématiques différents pour réaliser des tâches exploratoires et créatives. Par contre, les utilisateurs avec des connaissances élevées dans le domaine sont plus efficaces dans la résolution du compromis navigationnel exploration-exploitation en traitant plus de contenus en un minimum de temps et d’efforts, en particulier en ce qui concerne les tâches de lookup complexe et les tâches exploratoires. A la lumière des résultats obtenus, ce travail de thèse propose les prémisses d’un nouveau modèle de l’apprentissage par la recherche, le "Problem Solving as Dynamic Exploration-Exploitation Learning" (PS-DEEL) intégrant le rôle des deux heuristiques et des connaissances antérieures du domaine dans la résolution de tâches de recherche complexes orientées apprentissage. En accord avec ce modèle, des pistes d’améliorations des SIs plus intuitifs et plus adaptés au raisonnement par heuristiques sont proposées afin de rendre plus efficaces les interactions humain-SIs lors d’une activité de RI dédiée à de l’apprentissage
Les compromis stratégiques exploration-exploitation en tant qu'heuristiques de navigation et d'apprentissage thématique pendant la recherche d'informations : effets des connaissances antérieures du domaine des utilisateurs et des caractéristiques des tâches
No full textInformation search (IS) on the Internet is a complex cognitive activity where users interact with information systems (IS) to collect and acquire knowledge in an efficient and relevant way. However, as users' search goals have diversified over the years, a set of issues has emerged regarding the actual effectiveness of human-IS interactions in achieving high-level goals (e.g., understanding and learning). Among the inventory of cognitive strategies that users can execute to deal with the various constraints of search as learning, this thesis focuses on heuristic reasoning that aims at a strategic trade-off between providing a quality answer while reducing the temporal and cognitive costs involved in its production. We argue that two heuristics are particularly relevant to investigate for the purpose of improving human-IS interactions: 1. the Exploration-Exploitation navigational heuristic (Sanchiz et al., 2020) and 2. the Exploration-Exploitation thematic learning heuristic (Hardy et al., 2019). This thesis also incorporates the investigation of the role of users' prior domain knowledge on these heuristics arguing that a better description of these effects can only benefit the improvement of learning-dedicated IS. In total, four experimental studies were conducted. The first two focused on the distinction between multi-step lookup tasks requiring a deep understanding of the contents to be solved and exploratory tasks involving the acquisition of knowledge on different topics. The latter two focused more on the distinction between exploratory tasks and high-level creative learning tasks. For each study, the effects of users' prior domain knowledge (low vs. high) on the two exploration-exploitation heuristics were evaluated. The results obtained show that task characteristics and prior domain knowledge affect how users solve the navigational and thematic Exploration-Exploitation heuristics. Users with high knowledge have higher search scores (lookup) when pursuing specific thematic exploitation goals while users with low knowledge perform better when formulating thematic exploration goals. In particular, the overall pattern of results indicates that users with low knowledge explore more different thematic content to perform exploratory and creative tasks. On the other hand, users with high domain knowledge are more effective in resolving the exploration-exploitation navigational trade-off by processing more content in a minimum amount of time and effort, especially for complex lookup and exploratory tasks. In light of the results obtained, this thesis proposes the premises of a new model of search as learning, the "Problem Solving as Dynamic Exploration-Exploitation Learning" (PS-DEEL) integrating the role of both heuristics and prior domain knowledge in solving complex learning-oriented search tasks. In accordance with this model, propositions for improving IS that are more intuitive and more adapted to heuristic reasoning are proposed in order to make human-IS interactions more efficient during an IS activity dedicated to learning.La recherche d’informations (RI) sur Internet est une activité cognitive complexe où les utilisateurs sont en interaction avec des systèmes d’informations (SI) pour collecter et acquérir des connaissances de façon efficace et pertinente. Cependant, les objectifs de recherche des utilisateurs s’étant diversifiés au fil des années, un ensemble de problématiques ont émergé quant à l’efficacité réelle des interactions humains-SIs dans la réussite d’objectifs de hauts niveaux (e.g., compréhension et apprentissage). Parmi le répertoire de stratégies cognitives que les utilisateurs peuvent mettre en place pour faire face aux différentes contraintes de l’apprentissage par la recherche, la présente thèse se focalise sur le raisonnement par heuristique qui vise un compromis stratégique entre fournir une réponse de qualité tout en réduisant les coûts temporels et cognitifs que nécessite sa production. Nous soutenons que deux heuristiques sont particulièrement pertinentes à investiguer dans un but d’amélioration des interactions humain-SIs : 1. l’heuristique navigationnelle Exploration-Exploitation (Sanchiz et al., 2020) et 2. l’heuristique d’apprentissage thématique Exploration-Exploitation (Hardy et al., 2019). La présente thèse intègre également l’investigation du rôle des connaissances antérieures du domaine des utilisateurs sur ces heuristiques en soutenant qu’une meilleure description de ces effets ne peut que bénéficier à l’amélioration des SIs dédiés à l’apprentissage. Au total, quatre études expérimentales ont été conduites. Les deux premières se sont concentrées sur la distinction entre les tâches de consultation (Lookup) multi-étapes et nécessitant une compréhension approfondie des contenus pour être résolues et les tâches exploratoires impliquant l’acquisition de connaissances sur différents sujets. Les deux dernières ont davantage porté leur intérêt sur la distinction entre les tâches exploratoires et les tâches d’apprentissage créatif de haut niveau. Pour chaque étude, les effets des connaissances antérieures du domaine des utilisateurs (faibles vs. élevées) sur les deux heuristiques exploration-exploitation ont été évalués. Les résultats obtenus montrent que les caractéristiques des tâches et les connaissances antérieures du domaine affectent la façon dont les utilisateurs résolvent les heuristiques navigationnelle et thématique Exploration-Exploitation. Les utilisateurs avec des connaissances élevées ont des scores de recherche (lookup) plus élevés lorsqu’ils poursuivent des objectifs d’exploitation thématique spécifique alors que les utilisateurs avec des connaissances faibles obtiennent de meilleurs résultats lorsqu’ils formulent des objectifs d’exploration thématique. En particulier, la tendance globale des résultats indique que les utilisateurs avec des connaissances faibles explorent plus de contenus thématiques différents pour réaliser des tâches exploratoires et créatives. Par contre, les utilisateurs avec des connaissances élevées dans le domaine sont plus efficaces dans la résolution du compromis navigationnel exploration-exploitation en traitant plus de contenus en un minimum de temps et d’efforts, en particulier en ce qui concerne les tâches de lookup complexe et les tâches exploratoires. A la lumière des résultats obtenus, ce travail de thèse propose les prémisses d’un nouveau modèle de l’apprentissage par la recherche, le "Problem Solving as Dynamic Exploration-Exploitation Learning" (PS-DEEL) intégrant le rôle des deux heuristiques et des connaissances antérieures du domaine dans la résolution de tâches de recherche complexes orientées apprentissage. En accord avec ce modèle, des pistes d’améliorations des SIs plus intuitifs et plus adaptés au raisonnement par heuristiques sont proposées afin de rendre plus efficaces les interactions humain-SIs lors d’une activité de RI dédiée à de l’apprentissage
Les compromis stratégiques exploration-exploitation en tant qu'heuristiques de navigation et d'apprentissage thématique pendant la recherche d'informations : effets des connaissances antérieures du domaine des utilisateurs et des caractéristiques des tâches
No full textInformation search (IS) on the Internet is a complex cognitive activity where users interact with information systems (IS) to collect and acquire knowledge in an efficient and relevant way. However, as users' search goals have diversified over the years, a set of issues has emerged regarding the actual effectiveness of human-IS interactions in achieving high-level goals (e.g., understanding and learning). Among the inventory of cognitive strategies that users can execute to deal with the various constraints of search as learning, this thesis focuses on heuristic reasoning that aims at a strategic trade-off between providing a quality answer while reducing the temporal and cognitive costs involved in its production. We argue that two heuristics are particularly relevant to investigate for the purpose of improving human-IS interactions: 1. the Exploration-Exploitation navigational heuristic (Sanchiz et al., 2020) and 2. the Exploration-Exploitation thematic learning heuristic (Hardy et al., 2019). This thesis also incorporates the investigation of the role of users' prior domain knowledge on these heuristics arguing that a better description of these effects can only benefit the improvement of learning-dedicated IS. In total, four experimental studies were conducted. The first two focused on the distinction between multi-step lookup tasks requiring a deep understanding of the contents to be solved and exploratory tasks involving the acquisition of knowledge on different topics. The latter two focused more on the distinction between exploratory tasks and high-level creative learning tasks. For each study, the effects of users' prior domain knowledge (low vs. high) on the two exploration-exploitation heuristics were evaluated. The results obtained show that task characteristics and prior domain knowledge affect how users solve the navigational and thematic Exploration-Exploitation heuristics. Users with high knowledge have higher search scores (lookup) when pursuing specific thematic exploitation goals while users with low knowledge perform better when formulating thematic exploration goals. In particular, the overall pattern of results indicates that users with low knowledge explore more different thematic content to perform exploratory and creative tasks. On the other hand, users with high domain knowledge are more effective in resolving the exploration-exploitation navigational trade-off by processing more content in a minimum amount of time and effort, especially for complex lookup and exploratory tasks. In light of the results obtained, this thesis proposes the premises of a new model of search as learning, the "Problem Solving as Dynamic Exploration-Exploitation Learning" (PS-DEEL) integrating the role of both heuristics and prior domain knowledge in solving complex learning-oriented search tasks. In accordance with this model, propositions for improving IS that are more intuitive and more adapted to heuristic reasoning are proposed in order to make human-IS interactions more efficient during an IS activity dedicated to learning.La recherche d’informations (RI) sur Internet est une activité cognitive complexe où les utilisateurs sont en interaction avec des systèmes d’informations (SI) pour collecter et acquérir des connaissances de façon efficace et pertinente. Cependant, les objectifs de recherche des utilisateurs s’étant diversifiés au fil des années, un ensemble de problématiques ont émergé quant à l’efficacité réelle des interactions humains-SIs dans la réussite d’objectifs de hauts niveaux (e.g., compréhension et apprentissage). Parmi le répertoire de stratégies cognitives que les utilisateurs peuvent mettre en place pour faire face aux différentes contraintes de l’apprentissage par la recherche, la présente thèse se focalise sur le raisonnement par heuristique qui vise un compromis stratégique entre fournir une réponse de qualité tout en réduisant les coûts temporels et cognitifs que nécessite sa production. Nous soutenons que deux heuristiques sont particulièrement pertinentes à investiguer dans un but d’amélioration des interactions humain-SIs : 1. l’heuristique navigationnelle Exploration-Exploitation (Sanchiz et al., 2020) et 2. l’heuristique d’apprentissage thématique Exploration-Exploitation (Hardy et al., 2019). La présente thèse intègre également l’investigation du rôle des connaissances antérieures du domaine des utilisateurs sur ces heuristiques en soutenant qu’une meilleure description de ces effets ne peut que bénéficier à l’amélioration des SIs dédiés à l’apprentissage. Au total, quatre études expérimentales ont été conduites. Les deux premières se sont concentrées sur la distinction entre les tâches de consultation (Lookup) multi-étapes et nécessitant une compréhension approfondie des contenus pour être résolues et les tâches exploratoires impliquant l’acquisition de connaissances sur différents sujets. Les deux dernières ont davantage porté leur intérêt sur la distinction entre les tâches exploratoires et les tâches d’apprentissage créatif de haut niveau. Pour chaque étude, les effets des connaissances antérieures du domaine des utilisateurs (faibles vs. élevées) sur les deux heuristiques exploration-exploitation ont été évalués. Les résultats obtenus montrent que les caractéristiques des tâches et les connaissances antérieures du domaine affectent la façon dont les utilisateurs résolvent les heuristiques navigationnelle et thématique Exploration-Exploitation. Les utilisateurs avec des connaissances élevées ont des scores de recherche (lookup) plus élevés lorsqu’ils poursuivent des objectifs d’exploitation thématique spécifique alors que les utilisateurs avec des connaissances faibles obtiennent de meilleurs résultats lorsqu’ils formulent des objectifs d’exploration thématique. En particulier, la tendance globale des résultats indique que les utilisateurs avec des connaissances faibles explorent plus de contenus thématiques différents pour réaliser des tâches exploratoires et créatives. Par contre, les utilisateurs avec des connaissances élevées dans le domaine sont plus efficaces dans la résolution du compromis navigationnel exploration-exploitation en traitant plus de contenus en un minimum de temps et d’efforts, en particulier en ce qui concerne les tâches de lookup complexe et les tâches exploratoires. A la lumière des résultats obtenus, ce travail de thèse propose les prémisses d’un nouveau modèle de l’apprentissage par la recherche, le "Problem Solving as Dynamic Exploration-Exploitation Learning" (PS-DEEL) intégrant le rôle des deux heuristiques et des connaissances antérieures du domaine dans la résolution de tâches de recherche complexes orientées apprentissage. En accord avec ce modèle, des pistes d’améliorations des SIs plus intuitifs et plus adaptés au raisonnement par heuristiques sont proposées afin de rendre plus efficaces les interactions humain-SIs lors d’une activité de RI dédiée à de l’apprentissage
Les compromis stratégiques exploration-exploitation en tant qu'heuristiques de navigation et d'apprentissage thématique pendant la recherche d'informations : effets des connaissances antérieures du domaine des utilisateurs et des caractéristiques des tâches
No full textInformation search (IS) on the Internet is a complex cognitive activity where users interact with information systems (IS) to collect and acquire knowledge in an efficient and relevant way. However, as users' search goals have diversified over the years, a set of issues has emerged regarding the actual effectiveness of human-IS interactions in achieving high-level goals (e.g., understanding and learning). Among the inventory of cognitive strategies that users can execute to deal with the various constraints of search as learning, this thesis focuses on heuristic reasoning that aims at a strategic trade-off between providing a quality answer while reducing the temporal and cognitive costs involved in its production. We argue that two heuristics are particularly relevant to investigate for the purpose of improving human-IS interactions: 1. the Exploration-Exploitation navigational heuristic (Sanchiz et al., 2020) and 2. the Exploration-Exploitation thematic learning heuristic (Hardy et al., 2019). This thesis also incorporates the investigation of the role of users' prior domain knowledge on these heuristics arguing that a better description of these effects can only benefit the improvement of learning-dedicated IS. In total, four experimental studies were conducted. The first two focused on the distinction between multi-step lookup tasks requiring a deep understanding of the contents to be solved and exploratory tasks involving the acquisition of knowledge on different topics. The latter two focused more on the distinction between exploratory tasks and high-level creative learning tasks. For each study, the effects of users' prior domain knowledge (low vs. high) on the two exploration-exploitation heuristics were evaluated. The results obtained show that task characteristics and prior domain knowledge affect how users solve the navigational and thematic Exploration-Exploitation heuristics. Users with high knowledge have higher search scores (lookup) when pursuing specific thematic exploitation goals while users with low knowledge perform better when formulating thematic exploration goals. In particular, the overall pattern of results indicates that users with low knowledge explore more different thematic content to perform exploratory and creative tasks. On the other hand, users with high domain knowledge are more effective in resolving the exploration-exploitation navigational trade-off by processing more content in a minimum amount of time and effort, especially for complex lookup and exploratory tasks. In light of the results obtained, this thesis proposes the premises of a new model of search as learning, the "Problem Solving as Dynamic Exploration-Exploitation Learning" (PS-DEEL) integrating the role of both heuristics and prior domain knowledge in solving complex learning-oriented search tasks. In accordance with this model, propositions for improving IS that are more intuitive and more adapted to heuristic reasoning are proposed in order to make human-IS interactions more efficient during an IS activity dedicated to learning.La recherche d’informations (RI) sur Internet est une activité cognitive complexe où les utilisateurs sont en interaction avec des systèmes d’informations (SI) pour collecter et acquérir des connaissances de façon efficace et pertinente. Cependant, les objectifs de recherche des utilisateurs s’étant diversifiés au fil des années, un ensemble de problématiques ont émergé quant à l’efficacité réelle des interactions humains-SIs dans la réussite d’objectifs de hauts niveaux (e.g., compréhension et apprentissage). Parmi le répertoire de stratégies cognitives que les utilisateurs peuvent mettre en place pour faire face aux différentes contraintes de l’apprentissage par la recherche, la présente thèse se focalise sur le raisonnement par heuristique qui vise un compromis stratégique entre fournir une réponse de qualité tout en réduisant les coûts temporels et cognitifs que nécessite sa production. Nous soutenons que deux heuristiques sont particulièrement pertinentes à investiguer dans un but d’amélioration des interactions humain-SIs : 1. l’heuristique navigationnelle Exploration-Exploitation (Sanchiz et al., 2020) et 2. l’heuristique d’apprentissage thématique Exploration-Exploitation (Hardy et al., 2019). La présente thèse intègre également l’investigation du rôle des connaissances antérieures du domaine des utilisateurs sur ces heuristiques en soutenant qu’une meilleure description de ces effets ne peut que bénéficier à l’amélioration des SIs dédiés à l’apprentissage. Au total, quatre études expérimentales ont été conduites. Les deux premières se sont concentrées sur la distinction entre les tâches de consultation (Lookup) multi-étapes et nécessitant une compréhension approfondie des contenus pour être résolues et les tâches exploratoires impliquant l’acquisition de connaissances sur différents sujets. Les deux dernières ont davantage porté leur intérêt sur la distinction entre les tâches exploratoires et les tâches d’apprentissage créatif de haut niveau. Pour chaque étude, les effets des connaissances antérieures du domaine des utilisateurs (faibles vs. élevées) sur les deux heuristiques exploration-exploitation ont été évalués. Les résultats obtenus montrent que les caractéristiques des tâches et les connaissances antérieures du domaine affectent la façon dont les utilisateurs résolvent les heuristiques navigationnelle et thématique Exploration-Exploitation. Les utilisateurs avec des connaissances élevées ont des scores de recherche (lookup) plus élevés lorsqu’ils poursuivent des objectifs d’exploitation thématique spécifique alors que les utilisateurs avec des connaissances faibles obtiennent de meilleurs résultats lorsqu’ils formulent des objectifs d’exploration thématique. En particulier, la tendance globale des résultats indique que les utilisateurs avec des connaissances faibles explorent plus de contenus thématiques différents pour réaliser des tâches exploratoires et créatives. Par contre, les utilisateurs avec des connaissances élevées dans le domaine sont plus efficaces dans la résolution du compromis navigationnel exploration-exploitation en traitant plus de contenus en un minimum de temps et d’efforts, en particulier en ce qui concerne les tâches de lookup complexe et les tâches exploratoires. A la lumière des résultats obtenus, ce travail de thèse propose les prémisses d’un nouveau modèle de l’apprentissage par la recherche, le "Problem Solving as Dynamic Exploration-Exploitation Learning" (PS-DEEL) intégrant le rôle des deux heuristiques et des connaissances antérieures du domaine dans la résolution de tâches de recherche complexes orientées apprentissage. En accord avec ce modèle, des pistes d’améliorations des SIs plus intuitifs et plus adaptés au raisonnement par heuristiques sont proposées afin de rendre plus efficaces les interactions humain-SIs lors d’une activité de RI dédiée à de l’apprentissage
Can We Measure the Impact of a Database?
No full textDatabases publish data. This is undoubtedly the case for scientific and statistical databases, which have largely replaced traditional reference works. Database and Web technologies have led to an explosion in the number of databases that support scientific research, for obvious reasons: Databases provide faster communication of knowledge, hold larger volumes of data, are more easily searched, and are both human- and machine-readable. Moreover, they can be developed rapidly and collaboratively by a mixture of researchers and curators. For example, more than 1,500 curated databases are relevant to molecular biology alone. The value of these databases lies not only in the data they present but also in how they organize that data.
In the case of an author or journal, most bibliometric measures are obtained from citations to an associated set of publications. There are typically many ways of decomposing a database into publications, so we might use its organization to guide our choice of decompositions. We will show that when the database has a hierarchical structure, there is a natural extension of the h-index that works on this hierarchy
Can We Measure the Impact of a Database?
No full textDatabases publish data. This is undoubtedly the case for scientific and statistical databases, which have largely replaced traditional reference works. Database and Web technologies have led to an explosion in the number of databases that support scientific research, for obvious reasons: Databases provide faster communication of knowledge, hold larger volumes of data, are more easily searched, and are both human- and machine-readable. Moreover, they can be developed rapidly and collaboratively by a mixture of researchers and curators. For example, more than 1,500 curated databases are relevant to molecular biology alone.10 The value of these databases lies not only in the data they present but also in how they organize that data.
In the case of an author or journal, most bibliometric measures are obtained from citations to an associated set of publications. There are typically many ways of decomposing a database into publications, so we might use its organization to guide our choice of decompositions. We will show that when the database has a hierarchical structure, there is a natural extension of the h-index that works on this hierarchy
How do older adults process icons during a navigation task? Effects of aging, semantic distance, and text label
No full textInternational audienceIcons are intended to provide meaning and to allow users to interact with touchscreen and mobile systems. As users of these systems include older people, the present study focused on the effect of aging on the interpretation and use of icons during a navigational task. An experiment on a touchscreen tablet was conducted to determine the effects of interface type (icon, text label, or a combination of the two) and semantic distance (close vs. far) on the navigation activity of older versus younger users. Results showed that older users needed more time to select icons, specifically when the semantic distance was far. By contrast, younger users control their activity more frequently. No significant differences were found between the two groups on the number of correct responses. These results provide pointers for icon designers and open up further research avenues on this topic. In particular, it seems important to take user profiles into account when designing icons. We describe an ergonomic method based on user experience to capture users' mental representations of a given concept depending on their age.</div
