[ad_1]
Agora estou no trecho final de terminar meu livro sobre o uso da IA em pesquisa acadêmica. Foi uma jornada de um ano, intensa, imprevisível e enxurro de surpresas, mormente com a rapidez com que a IA está evoluindo. Muita coisa aconteceu durante esse período, e eu fiz o verosímil para tomar essas mudanças e explorar o que elas significam para a pesquisa e a ateneu.
No livro, abrango uma ampla gama de tópicos, de uma vez que a IA pode suportar a coleta e estudo de dados até uma vez que ela pode ajudar na escrita e visualização.
A postagem de hoje vem diretamente do capítulo sobre visualização de dados. Nesse capítulo, argumento que os visuais não são somente decorativos, são ferramentas essenciais para remeter pesquisas de forma clara e eficiente.
Eu também ando por várias ferramentas de IA que podem ajudar os pesquisadores a gerar visuais de subida qualidade, incluindo AI Chatbots, Julius e vários outros que vale a pena explorar.
Esse visual reúne algumas das idéias -chave desse capítulo, mormente em torno do concepção de alfabetização visual, o que significa, por que importa e uma vez que colocá -lo em prática.
O que é alfabetização visual?
A alfabetização visual é a habilidade de entender as imagens e usar o visual para expressar idéias. É uma vez que ler, mas com fotos; Você interpreta, analisa e se comunica com o que vê.
Por que a alfabetização visual é importante
- Os visuais são tão importantes quanto as palavras na notícia de pesquisa.
- Os gráficos muito projetados reduzem a fardo cognitiva e melhoram a retenção.
- Sem visuais, seu trabalho corre o risco de ser esquecido-especialmente no mundo do dedo de ritmo veloz de hoje.
O que a pesquisa diz
- Teoria de codificação dupla: Visuais + texto = melhor compreensão e memória (Paivio, 1971, 1986, 1991).
- Teoria da fardo cognitiva: Visuais estruturados aliviam o processamento mental (Perra & Brinkman, 2021).
- Visuais melhoram o engajamento e perspicuidade em trabalho acadêmico e voltado para o público (Houts et al., 2006; Khoury et al., 2019).
Práticas recomendadas de vista
- Escolha o formato perceptível
Combine seu visual (por exemplo, tábua, gráfico) com a mensagem dos seus dados. - Mantenha -o simples e simples
Evite desordem. Destaque o que importa. - Não repita o texto
Aditar valor – não ecoe seus parágrafos. - Use legendas eficazes
Uma boa legenda explica, não somente rótulos. - Design para independência
Os visuais devem fazer sentido por conta própria. - Conheça seu público
Conciliar a dificuldade a quem está lendo. - Galanteio o ChartJunk
Todo elemento deve servir a um propósito. - Teste e iterar
Pergunte: os outros podem entender isso rapidamente?
Design ético e inclusivo
- Seja transparente sobre limitações ou dados omitidos.
- Use paletas para a cor de cor de cor e fontes legíveis.
- Inclua texto alt-text para visuais on-line.
- Evite graduação manipuladora ou ênfase enganosa.
- Nunca distorça dados para se ajustar a uma narrativa.
- Crédito fontes originais de teor visual.
- Evite usar imagens baseadas em susto ou emocionalmente manipuladoras.
- Verifique se os visuais não reforçam estereótipos ou preconceitos.
- Garanta o consentimento para qualquer visual que envolva pessoas ou dados pessoais.
Pensamentos finais
Acredito que a alfabetização visual não é mais uma boa de ter para os pesquisadores, é uma habilidade precípuo. Ser capaz de projetar visuais claros, honestos e significativos fortalece o impacto do seu trabalho e ajuda suas idéias a entender um público mais largo. Com o espeque das ferramentas de IA, esse processo agora está mais atingível do que nunca.
Referências
- Houts, PS, Doak, CC, Doak, LG, & Loscalzo, MJ (2006). O papel das imagens na melhoria da notícia em saúde: uma revisão da pesquisa sobre atenção, compreensão, recall e adesão. Ensino e Aconselhamento do Paciente, 61 (2), 173-190. https://doi.org/10.1016/j.pec.2005.05.004
- Khoury, CK, Kisel, Y., Kantar, M., Barber, E., Ricciardi, V., Klirs, C., Kucera, L., Mehrabi, Z., Johnson, Klabin, S., Valiño. Gore, MA, & Novy, A. (2019). Parcerias de arte científica -grafic para aumentar o impacto da pesquisa. Communications Biology, 2 (295). https://doi.org/10.1038/S42003-019-0516-1
- Paivio, A. (1971). Imagens e processos verbais. Holt, Rinehart e Winston.
- Paivio, A. (1986). Representações mentais: uma abordagem de codificação dupla (vol. 9). Oxford University Press.
- Paivio, A. (1991). Teoria de codificação dupla: retrospecto e status atual. Canadian Journal of Psychology/Revue Canadienne de Psychologie, 45 (3), 255-287. https://doi.org/10.1037/h0084325
- Perra, M., & Brinkman, T. (2021). Vendo ciência: usando gráficos para remeter pesquisas. Ecosphere, 12 (10), E03786. https://doi.org/10.1002/ecs2.3786
[ad_2]
Source link
