1,720,970 research outputs found
Questionnaire et réponses à l'étude COMPER 2023
No full textQuestionnaire et réponses au questionnaire donné lors de l'étude COMPER 2023, la publication liée sera ajoutée une fois acceptée.
Cette étude vise à étudier les effets d'explications de prédictions sur le comportement d'élèves vis-à-vis d'un système de recommandation de ressources d'apprentissage. A ce titre, l'expérience menée a inclus deux questionnaires, l'un fournit avant le début de l'utilisation du système par les élèves, et l'autre après.
Les élèves étaient répartis en trois groupes :
Groupe C (contrôle), sans explications fournies.
Groupe A : explications fournies à la demande de l'élève.
Groupe B : explications fournies par défaut.
Les questionnaires étaient des échelles de Likert à 7 valeurs.
Les données ayant été anonymisées, seul le groupe de l'élève est renseigné dans la première colonne de chaque fichier. Chaque autre colonne contient ensuite la phrase à laquelle l'élève a répondu en première ligne, puis les réponses numérisées des élèves sur les autres lignes :
0 - pas du tout d'accord
1 - pas d'accord
2 - Léger désaccord
3 - Neutre
4 - Léger accord
5 - D'accord
6 - Totalement d'accord.
Certaines questions étaient à réponse textuelle ouverte. Auquel cas la réponse fournie par l'élève est reproduite telle qu'elle dans le document.<br
Adaptative system for assistance in data analysis processes creation
No full textLe résumé en français n'a pas été communiqué par l'auteur.Le résumé en anglais n'a pas été communiqué par l'auteur
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
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
Appropriate Similarity Measures for Author Cocitation Analysis
Get PDFWe provide a number of new insights into the methodological discussion about author cocitation analysis. We first argue that the use of the Pearson correlation for measuring the similarity between authors’ cocitation profiles is not very satisfactory. We then discuss what kind of similarity measures may be used as an alternative to the Pearson correlation. We consider three similarity measures in particular. One is the well-known cosine. The other two similarity measures have not been used before in the bibliometric literature. Finally, we show by means of an example that our findings have a high practical relevance.information science;Pearson correlation;cosine;similarity measure;author cocitation analysis
Système adaptatif pour l’aide à la conception de processus d’analyse
No full textThe last few years have seen rapid growth in the amount of data stored by humanity. Many fields of activity have benefited from this growth by exploiting and analyzing these new masses of information. These new activities have increased the need for analysis and processing capacity. Unfortunately, data analysis remains a difficult and opaque activity, which often requires the intervention of specialized tools and experts trained in their use. However, a potential user of data analysis does not necessarily have the means to afford such services, nor the time to be fully trained in data analysis. Therefore, it appears that data analysis tools that are more accessible to a wider audience would benefit many people. From this observation emerges the main challenge that we must address: How can we help a user to create his own data analysis model, although he is not an expert in this field? By analyzing the lack of the state of the art and what has already been done to overcome this issue, we divide it into two more precise sub-issues, more focused on machine learning: How can we effectively recommend machine learning workflow to such a user? and how can we help such a user understand and analyze a data analysis model?. The state of the art partly provides some solutions to tackle these challenges. First, by replacing the need for human decision-making with the automation of analysis processes, in particular in the creation of machine learning models. Then, visualization tools presenting the data and their characteristics to make them more accessible to a human. The main problem with these solutions is that they are often designed to assist data analysis experts and therefore are not accessible to non-expert users. However, the field knowledge of a user who has collected the data used (for example a biologist) can be very useful in the analysis process. To take advantage of this field knowledge, we offer solutions to help data analysis that takes advantage of what the user knows. First of all, we describe in this document our data analysis workflow recommendation system. This takes into account the user’s preferences as to the type of performance he wishes to obtain for his final model and operates on a recommendation architecture based on collaborative filtering, which relies on comparing the user’s problem to previous existing problems. Thus, the user is entirely involved in the model creation process. Then, we also propose a method for describing how a predictive model uses the attributes of the dataset to produce a single prediction. This method, known as the additive prediction explanation method, assigns a weight to each attribute of the dataset. This weight represents the importance of the attribute in the prediction of the model. Thus, we use the knowledge that the user has on his data to explain to him how his final model works. This method surpasses those of the state of the art while maintaining a good precision, without suffering from a too-long computation time. Finally, we combine these two solutions to create a more comprehensive framework for supporting data analysis. By using our prediction explanations, we allow the user to judge the interest of the models that are recommended. By understanding how each model recommended uses the data provided to it, he can use his domain knowledge to assess and make informed decisions about the construction of the final model. Also, these explanations are used to allow the user to more intuitively explore new instances of his dataset while using his final model. While our proposals provide solutions to the challenges addressed in this thesis, there are still many aspects to explore. For example, the "sandbox" dimension of the general framework can be further developed by allowing a deeper customization of the workflow leading to the final model: Choosing dataset pretreatments, changing model parameters, using a feedback loop... Likewise, many solutions from the state of the art aim to assist a user in analyzing data by providing visualization and exploration methods. Those solutions could be extended by using prediction explanations, which when combined with this enhanced information bring out new insights on the data. By using prediction explanation, it becomes possible for a non-expert to perform many analysis tasks thanks to their field expertise rather than a training in data analysis.Ces dernières années ont vu une croissance rapide de la quantité de données stockées par l’humanité. De nombreux domaines d’activité ont bénéficié de cette croissance en exploitant et en analysant ces nouvelles masses d’informations. Ces nouvelles activités se sont traduites par une augmentation du besoin en capacité d’analyse et de traitement. Malheureusement, l’analyse de données reste une activité ardue et opaque, qui nécessite souvent l’intervention d’outils spécialisés et d’experts formés dans leur utilisation. Or, un utilisateur potentiel de l’analyse de données n’a pas forcément les moyens de s’offrir de tels services, ni le temps de se former complètement à l’analyse. Il apparaît donc que des outils d’analyse de données plus accessibles pour un public plus large seraient bénéfiques à de nombreuses personnes tels que des acteurs de terrain (biologistes, astronomes...). De cette constatation, découle un verrou principal qu’il nous faut adresser : Comment pouvons-nous aider un utilisateur à créer son propre modèle d’analyse de données, bien qu’il ne soit pas expert dans ce domaine ? En analysant les manques de l’état de l’art et ce qui a déjà été fait pour adresser ce verrou, nous le divisons en deux sous-verrous plus précis et davantage centrés sur l’apprentissage automatique : Comment pouvons-nous recommander efficacement une chaîne de traitement d’apprentissage automatique à un tel utilisateur ? Puis Comment pouvons- nous aider un tel utilisateur à comprendre et analyser un modèle d’analyse de données ?. L’état de l’art nous apporte en partie des solutions à ces verrous. D’abord, en rem- plaçant le besoin de décision humaine par l’automatisation des processus d’analyse, notamment dans la création de modèles d’apprentissage automatique. Ensuite, par des outils de visualisation présentant les données et leurs caractéristiques de manière à les rendre plus accessibles pour un humain. Le problème principal de ces solutions est qu’elles sont souvent conçues pour assister des experts en analyse de données et ne sont donc pas acces- sibles à des utilisateurs non-experts. Pourtant, les connaissances de terrain que possède un utilisateur qui a récolté les données utilisées (par exemple un biologiste) peuvent se révéler très utiles lors du processus d’analyse. Afin de mettre à profit ces connaissances de terrain, nous proposons donc des solutions d’aide à l’analyse de données qui mettent à profit ce que l’utilisateur connaît. Tout d’abord, nous décrivons dans ce mémoire de thèse notre système de recommandation de chaîne de traitements d’analyse de données. Celui-ci tient compte des préférences de l’utilisateur quant au type de performances qu’il désire obtenir pour son modèle final et est basé sur les méthodes éprouvées de filtrage collaboratif, qui reposent sur la comparaison du problème de l’utilisateur à des problèmes passés. Ceci nous permet de garder l’utilisateur impliqué dans le processus de création du modèle. Nous proposons également une méthode permettant de décrire comment un modèle prédictif utilise les attributs des données qui lui sont fournies pour produire une prédiction précise. Cette méthode, appelée méthode d’explication de prédiction additive, attribue un poids à chaque attribut du jeu de données. Ce poids représente l’importance de l’attribut dans la prédiction du modèle. Ainsi, nous utilisons les connaissances qu’a l’utilisateur sur ses données pour lui expliquer comment fonctionne son modèle final. Cette méthode surpasse l’état de l’art en conservant une bonne précision, sans pour autant souffrir d’un temps de calcul trop long. Enfin, nous combinons ces deux méthodes pour créer un cadre plus global d’aide à l’analyse de données. En utilisant nos explications de prédictions, nous permettons à l’utilisateur de juger de l’intérêt des modèles qui lui sont recommandés. En comprenant comment chaque modèle recommandé utilise les données qui lui sont fournies, il peut utiliser ses connaissances de terrain pour les évaluer et prendre des décisions informées quant à la construction de son modèle final. De plus, ces explications sont aussi utilisées pour permettre à l’utilisateur d’explorer plus intuitivement de nouvelles instances de ses données à partir des prédictions de son modèle final. Si nos propositions apportent des solutions aux verrous de cette thèse, il reste cependant de nombreux aspects à explorer. Par exemple la dimension "bac à sable" du cadre général peut être davantage développée par une personnalisation plus profonde de la chaîne de traitements menant au modèle final : choisir les prétraitements sur les données, paramétrer le modèle en profondeur, mettre en place une boucle d’apprentissage... De même, de nom- breuses propositions de l’état de l’art visent à assister à l’analyse de données par la visualisation et l’exploration des données de l’utilisateur. Ces solutions pourraient être améliorées par l’ajout d’explications de prédiction qui, misent en regard avec ces informations font émerger une nouvelle perspective sur ces données. En utilisant l’explication de prédiction de manière intelligente, il devient possible pour un non-expert d’effectuer de nombreuses tâches d’analyse en se reposant sur ses connaissances de terrain plutôt qu’une formation en analyse de données
Système adaptatif pour l'aide à la conception de processus d'analyse
Get PDFLe résumé en français n'a pas été communiqué par l'auteur.Le résumé en anglais n'a pas été communiqué par l'auteur
Dispelling the Myths Behind First-author Citation Counts
Get PDFWe conducted a full-scale evaluative citation analysis study of scholars in the XML research field to explore just how different from each other author rankings resulting from different citation counting methods actually are, and to demonstrate the capability of emerging data and tools on the Web in supporting more realistic citation counting methods. Our results contest some common arguments for the continued
use of first-author citation counts in the evaluation of scholars, such as high correlations between author rankings by first-author citation counts and other citation
counting methods, and high costs of using more realistic citation counting methods that are not well-supported by the ISI databases. It is argued that increasingly available digital full text research papers make it possible for citation analysis studies to go beyond what the ISI databases have directly supported and to employ more
sophisticated methods
- …
