1,720,981 research outputs found
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
Going Beyond Counting First Authors in Author Co-citation Analysis
Get PDFThe present study examines one of the fundamental aspects of author co-citation analysis (ACA) - the way co-citation
counts are defined. Co-citation counting provides the data on which all subsequent statistical analyses and mappings
are based, and we compare ACA results based on two different types of co-citation counting - the traditional type that
only counts the first one among a cited work's authors on the one hand and a non-traditional type that takes into
account the first 5 authors of a cited work on the other hand. Results indicate that the picture produced through this non-traditional author co-citation counting contains more coherent author groups and is therefore considerably clearer. However, this picture represents fewer specialties in the research field being studied than that produced through the traditional first-author co-citation counting when the same number of top-ranked authors is selected and analyzed. Reasons for these effects are discussed
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
Variations on the Author
Get PDF“Variations on the Author” discusses two of Eduardo Coutinho’s recent films (Um Dia na Vida, from 2010, and Últimas Conversas, posthumously released in 2015) and their contribution to the general question of documentary authorship. The director’s filmography is characterized by a consistent yet self-effacing form of authorial self-inscription: Coutinho often features as an interviewer that rather than express opinions propels discourses; an interviewer that is good at listening. This mode of self-inscription characterizes him as an author who is not expressive but who is nonetheless markedly present on the screen. In Um Dia na Vida, however, Coutinho is completely absent form the image, while Últimas Conversas, on the contrary, includes a confessional prologue that moves the director from the margins to the center of his films. This article examines the ways in which these works stand out in the filmography of a director who offers new insights into the notion of cinematic authorship
- …
