Este es un artículo teórico, y para discutir sobre el papel de la visualización, primero presentamos un estudio de caso, el del descubrimiento de la estructura del ADN que destaca los componentes epistémicos de la información visual en la ciencia. El segundo estudio de caso se centra en el uso de Faraday de las líneas de fuerza magnética. Faraday es conocido de su forma exploratoria, creativa y sistémica de experimentar, y el razonamiento visual que conduce al desarrollo teórico fue una parte inherente de la experimentación. En tercer lugar, rastreamos una cuenta contemporánea de la ciencia centrada en las prácticas experimentales y cómo la reproducibilidad de los procedimientos experimentales puede reforzarse a través de datos de video.
Nuestras conclusiones sugieren que al enseñar la ciencia, el énfasis en la visualización debería cambiar de la comprensión cognitiva, utilizando los productos de la ciencia para comprender el contenido, a participar en los procesos de visualización. Además, sugerimos que es esencial diseñar materiales curriculares y entornos de aprendizaje que creen un contexto social y epistémico e inviten a los estudiantes a participar en la práctica de la visualización como evidencia, razonamiento, procedimiento experimental o un medio de comunicación y reflexionar sobre estas prácticas . Las implicaciones para la formación docente incluyen la necesidad de programas de desarrollo profesional docente para problematizar el uso de representaciones visuales como objetos epistémicos que forman parte de las prácticas científicas.
Durante las últimas décadas, los documentos de investigación y reforma en educación científica en todo el mundo han estado pidiendo un énfasis no solo en el contenido sino también en los procesos de la ciencia (Bybee 2014; Eurydice 2012; Duschl y Bybee 2014; Osborne 2014; Schwartz et Al. 2012), para que la ciencia sea accesible para los estudiantes y les permita comprender la Fundación Epistémica de la Ciencia. Las prácticas científicas, parte del proceso de ciencia, son las actividades cognitivas y discursivas que están dirigidas a la educación científica para desarrollar la comprensión epistémica y la apreciación de la naturaleza de la ciencia (Duschl et al. 2008) y han sido el énfasis de los documentos de reforma recientes en Educación científica en todo el mundo (ACEPT 2013; Eurydice 2012). Con el término prácticas científicas, nos referimos a los procesos que tienen lugar durante los descubrimientos científicos e incluyen entre otros: hacer preguntas, desarrollar y usar modelos, participar en argumentos y construir y comunicar explicaciones (National Research Council 2012). El énfasis en las prácticas científicas tiene como objetivo mover la enseñanza de la ciencia del conocimiento a la comprensión de los procesos y los aspectos epistémicos de la ciencia. Además, al poner énfasis en involucrar a los estudiantes en las prácticas científicas, nuestro objetivo es ayudar a los estudiantes a adquirir conocimiento científico en contextos significativos que se parecen a la realidad de los descubrimientos científicos.
¿Qué es la representación de los resultados?
Este capítulo se refiere a la investigación sobre la recopilación, la representación y el análisis de los datos que subyacen al conocimiento del comportamiento y las ciencias sociales. Dicha investigación, de carácter metodológico, incluye enfoques etnográficos e históricos, escala, medición axiomática y estadísticas, con sus importantes parientes, econometría y psicometría. Se puede describir que el campo incluye el estudio autoconsciente de cómo los científicos sacan inferencias y llegan a conclusiones de las observaciones. Dado que las estadísticas son los enfoques metodológicos más grandes y más destacados y los investigadores utilizan en prácticamente todas las disciplinas, el trabajo estadístico atrae la mayor parte de la atención de este capítulo.
Los problemas de interpretar datos surgen cuando la variación inherente o las fluctuaciones de medición crean desafíos para comprender los datos o para juzgar si las relaciones observadas son significativas, duraderas o generales. Algunos ejemplos: ¿es un aumento mensual (o anual) agudo en la tasa de delincuencia juvenil (o desempleo) en un área en particular un asunto de alarma, una fluctuación periódica o aleatoria ordinaria, o el resultado de un cambio o peculiaridad en el método de informes? ¿Los patrones temporales observados en tales observaciones repetidas reflejan un mecanismo causal directo, un complejo de indirectos o simplemente imperfecciones en los datos? ¿Es una disminución en las lesiones de automóviles un efecto de una nueva ley de cinturón de asiento? ¿Son los desacuerdos entre las personas que describen algún aspecto de una subcultura demasiado grande para generar inferencias válidas sobre ese aspecto de la cultura?
Tales problemas de inferencia a menudo están estrechamente relacionados con la teoría sustantiva y los datos específicos, y en cierta medida es difícil y quizás engañoso tratar métodos de recopilación, representación y análisis de datos por separado. Este informe lo hace, al igual que todas las ciencias hasta cierto punto, porque los métodos desarrollados a menudo son mucho más generales que los problemas específicos que originalmente les dieron lugar. Hay mucha transferencia de nuevas ideas de un campo sustantivo a otro, y hacia y desde los campos fuera de las ciencias del comportamiento y las ciencias sociales. Algunos de los métodos clásicos de estadísticas surgieron en estudios de observaciones astronómicas, variabilidad biológica y diversidad humana. El mayor crecimiento de los métodos clásicos ocurrió en el siglo XX, muy estimulado por problemas en la agricultura y la genética. Algunos métodos para descubrir estructuras geométricas en datos, como la escala multidimensional y el análisis de factores, se originaron en la investigación sobre problemas psicológicos, pero se han aplicado en muchas otras ciencias. Algunos métodos de series de tiempo se desarrollaron originalmente para tratar los datos económicos, pero son igualmente aplicables a muchos otros tipos de datos.
Dentro de las ciencias conductuales y sociales, se han desarrollado métodos estadísticos y han contribuido a una enorme variedad de investigaciones, que incluyen:
Incluso tal listado resumido deja en claro que las mejoras en la metodología son valiosas en todo el espectro de la investigación empírica en las ciencias conductuales y sociales, así como en la aplicación a las preguntas de las políticas. Claramente, la investigación metodológica tiene muchos propósitos diferentes, y es necesario desarrollar diferentes enfoques para servir a esos diferentes propósitos, incluido el análisis de datos exploratorios, la inferencia científica sobre las hipótesis y los parámetros de la población, la toma de decisiones individuales, el pronóstico de lo que sucederá en caso o ausencia de intervención, y evaluar la causalidad de los experimentos aleatorios y los datos de observación.
¿Qué significa una representación gráfica?
Alguna información en este artículo o sección debe estar mejor vinculada a las fuentes mencionadas en las secciones de «bibliografía», «fuentes» o «enlaces externos» (octubre de 2022).
Un cierto número de fenómenos se modelan en forma de datos igualitativos y sobre todo cuantitativos, y esto en muchos campos: matemáticas, física, sociología, geografía, geología, economía… Cuando estos datos son complejos, se pueden agrupar en el forma de una representación esquemática que presenta una visión simplificada y estructurada de estos elementos, a veces acompañados de ilustraciones (dibujos realistas o estilizados). Cuando son abundantes, su visualización puede ser facilitada por una representación gráfica en forma de matrices (modelos generalmente correspondientes a tablas en n entradas), gráficos (in) [1] y diagramas clasificados de acuerdo con el modo de datos de disposición: diagramas (representaciones esquemáticas que ilustran los enlaces entre conjuntos de elementos que usan trazas que toman la forma de figuras geométricas), topografías (representaciones gráficas – plan y mapa geográfico, corte geológico, dibujo técnico, incluidos los rastros respetan los componentes espaciales del objeto representados) [ 2], [3].
Estas representaciones gráficas, con cada una de sus áreas de aplicación y limitaciones, son herramientas para el análisis, la comprensión y la comunicación [4].
A veces es útil representar conceptos de manera gráfica. Puede ser una cuestión de causar una impresión y ayudar a memorizar conceptos o facilitar la identificación. Por lo general, usamos las nociones de metáfora, alegoría y logotipo. También puede ser simplemente una etiqueta (un rectángulo, un diamante, una elipse…) que contiene una palabra.
Cuando queremos representar los enlaces entre diferentes conceptos, con frecuencia usamos ARC, es decir, características o flechas que conectan representaciones conceptuales; También podemos usar un posicionamiento particular de representaciones, hacerlas cubrir. Esto da gráficos de organización, mapa heurístico o diagrama conceptual; Matemáticamente, estos son a menudo gráficos, y en particular árboles.
¿Cuáles son las gráficas de resultados?
Mi proyecto es caracterizar un comportamiento y tengo varios gráficos para el mismo, que he puesto en mi sección de resultados. ¿Debo explicar el gráfico en la sección de resultados o la sección de discusión del informe de mi proyecto?
Por ejemplo, digamos, un gráfico tiene una comparación grupal, ¿tengo que explicar la inferencia de la diferencia en las curvas en resultados o discusión? Si tengo que hacerlo en la sección de discusión, ¿no sería difícil explicar tal cosa que también tendría que repetir los gráficos allí?
Puede depender de su campo o diario específico, pero generalmente:
En la sección de resultados, describa el patrón cuantitativamente, con quizás solo una interpretación mecanicista de hecho.
En la sección de discusión, revise el patrón pero interprete cualitativamente dentro del alcance de su pregunta de investigación, vinculándolo a su narrativa general.
¿Qué tipos de gráficas existen para presentar los resultados de un estudio?
- Directrices de revista: qué considerar antes de la presentación
Dependiendo del objetivo de su investigación y los métodos y procedimientos que use, sus datos pueden ser cuantitativos o cualitativos. Los datos cuantitativos, ya sean objetivos (por ejemplo, mediciones de tamaño) o subjetivos (por ejemplo, califican la propia felicidad en una escala), es lo que generalmente se recopila en la investigación experimental. Los datos cuantitativos se expresan en números y se analizan con los métodos estadísticos más comunes. Los datos cualitativos, por otro lado, pueden consistir en estudios de casos o documentos históricos, o pueden recopilarse a través de encuestas y entrevistas. Los datos cualitativos se expresan en palabras y deben clasificarse e interpretarse para obtener resultados significativos.
Ejemplo de datos cuantitativos: diferencias de altura entre dos grupos de participantes
Ejemplo de datos cualitativos: comentarios subjetivos sobre la calidad de la alimentación en la cafetería de trabajo
Dependiendo del tipo de datos que haya recopilado y qué historia desea contar con él, debe encontrar la mejor manera de organizar y visualizar sus resultados.
Cuando desea mostrar al lector en detalle cómo interactúan sus variables independientes y dependientes, entonces una tabla (con datos organizados en columnas y filas) es su mejor opción. En una tabla, los lectores pueden buscar valores exactos, comparar esos valores entre pares o grupos de mediciones relacionadas (por ejemplo, tasas de crecimiento o resultados de un procedimiento médico durante varios años), analizar rangos e intervalos, y seleccionar factores específicos para buscar patrones.
¿Qué es la graficación de resultados y cómo se representa?
Los gráficos y gráficos comunican información visualmente. Pueden mostrar patrones, ayudar a los científicos a identificar correlaciones y transmitir el experimento rápidamente.
- Típicamente, la variable independiente se traza en el eje x
- La variable dependiente se traza sobre el eje y.
La mezcla seca mnemónica, para «dependiente, respuesta, eje Y» y «manipulado, independiente, eje x», puede ayudar a los estudiantes a recordar este punto.
Veamos los diferentes tipos de gráficos y qué tipos de datos están mejor representados por cada uno.
Los gráficos de línea muestran datos continuos durante períodos de tiempo. Antes de configurar un gráfico de línea, determine las variables dependientes e independientes. La variable independiente puede ser una cantidad escalar (numérica) u ordinal (orden). La variable independiente siempre va al eje X. Si un experimento requiere tomar puntos de datos cada 5 segundos por un minuto, o cada día durante un mes, es apropiado usar un gráfico de línea.
Los gráficos de línea son similares a los gráficos de dispersión X-Y, excepto que los puntos de datos individuales están conectados. Estos gráficos pueden ser útiles en las circunstancias en que el cambio de punto a punto es de interés (como en una curva de titulación o espectro de absorbancia). Vea el ejemplo a continuación de un gráfico de línea que muestra la distancia un objeto recorrido desde su punto de partida con el tiempo.
Una trama de dispersión a menudo se usa para mostrar relaciones entre variables independientes y dependientes. En lugar de puntos de datos conectados con una línea, se puede usar una línea de mejor ajuste para encontrar una tendencia en los datos. Los gráficos de dispersión se usan con frecuencia para crear una curva estándar en química, como se muestra en el gráfico a continuación. Se puede determinar una ecuación para la línea de tendencia.
¿Qué son representaciones gráficas de datos y analisis?
La representación visual de los documentos tiene diferentes ventajas que son las siguientes:
Este informe es adecuado para personas ocupadas porque enfatiza el tema del informe cómodamente. Ayuda a evitar perder el tiempo.
Los datos pueden contrastarse en términos de representación gráfica. Este tipo de análisis comparativo ayuda a comprender y enfocarse fácilmente.
Se necesita mucho tiempo para presentar correctamente los datos concisos.
Los gerentes corporativos estudian los diagramas y deciden muy fácilmente sobre la viabilidad del documento.
Se desarrolla una secuencia lógica para aclarar la definición pública cuando las tablas, modelos y gráficos se utilizan para los datos.
Las personas mal capacitadas o analfabetas pueden comprender fácilmente los gráficos porque un diagrama de línea por línea no requiere un texto conciso.
Las tablas necesitan menos esfuerzo y menos tiempo para modelar, gráficos e imágenes. Este enfoque siempre es fácil de entender los detalles.
Los errores son confiables, perspicaces o descriptivos. Dado que las figuras gráficas, las tabletas y los diagramas muestran menos error y error generalmente.
El espectador obtiene una idea simple y completa de esta representación. No puede haber lugar para juzgar 100 palabras.
La representación gráfica del documento no es sin restricciones. Los problemas de representación gráfica de datos o informes son los siguientes:
Los informes de representación gráfica son costosos debido a las imágenes y los colores. La combinación de contenido con el esfuerzo humano es costoso en términos de diseño visual.
¿Que se entiende por representación gráfica?
La propuesta de representaciones gráficas es exhibir relaciones entre ideas, datos, información y conceptos en un mapa o diagrama visual. Las representaciones gráficas son fáciles de entender. También se pueden editar y compartir. El tipo de representaciones gráficas dependerá del tipo de información que se muestra y el dominio de aprendizaje. Son una de las estrategias de aprendizaje más efectivas.
Una representación estructurada de la información está más cerca del funcionamiento del cerebro humano (estructura de las neuronas) que de otras maneras, p. notas, resalta las ideas principales.
Este proyecto ha sido financiado con el apoyo de la Comisión Europea.
El contenido de este sitio web refleja solo las opiniones del autor, y la Comisión no puede ser responsable de ningún uso que pueda hacerse de la información contenida en el mismo.
¿Qué es representación gráfica y ejemplos?
Hay siete tipos de gráficos que se distinguen por su forma de comunicar información.
- El gráfico decorativo, donde los elementos visuales se agregan al contenido educativo para fines estéticos, humorísticos o motivadores. Se utilizan para mejorar el material educativo. Sin embargo, deben usarse de manera moderada, ya que el uso excesivo puede interferir con el proceso de aprendizaje cognitivo.
El gráfico representativo, cuyo objetivo es ilustrar cómo es de manera realista. Este tipo de visual tiene un alto grado de fidelidad en términos de representación, fotografías o capturas de pantalla son buenos ejemplos.
El gráfico mnemónico, cuyo objetivo es crear una analogía visual entre el significado de hechos y conceptos. Sin embargo, la mayoría de las imágenes mnemónicas son específicas de un idioma o cultura y no serán universales para todos.
El gráfico organizacional, que se utiliza para ilustrar las relaciones cualitativas entre el contenido del curso. Generalmente están representados por árboles, organizaciones o cartas de conocimiento.
El gráfico relacional, que comunica la relación cuantitativa entre dos o más variables. Después de una recopilación de datos, el logro de un gráfico permite ilustrar los resultados. A menudo se usan diagramas circulares, gráficos lineales o diagramas de barras.
El gráfico transformador, que comparte el movimiento y cambia con el tiempo. Las animaciones, los videos, las líneas dibujadas con un indicador de movimiento son buenos medios de divulgación.
El gráfico interpretativo, que ayuda a los alumnos a construir un modelo mental de eventos o procesos que no son visibles, incluso abstractos (Clark y Lyons, 2004).
Esta microestrategia tiene como objetivo desarrollar conocimiento fáctico y conceptual ya que para poder aplicar procedimientos, el alumno aún debe comprender ciertos hechos y conceptos relacionados. Esta estrategia destaca hechos y conceptos concretos o abstractos utilizando gráficos específicos. Esto permite memorizar y comprender los métodos y conceptos básicos para comprender mejor la naturaleza de la tarea y luego aplicar el procedimiento apropiado. Para el conocimiento objetivo, por ejemplo, un gráfico lineal podría representar la evolución del calentamiento global a lo largo de los años. Para el conocimiento conceptual, por ejemplo, podría ser un visual que explica el concepto de formatos de archivo GIF y JPEG seguidos de ejemplos y especificaciones sobre el tema.
En general, el conocimiento del procedimiento es mejor atendido por una combinación de representación, imágenes interpretativas y de transformación para demostrar procedimientos y contextualizar la práctica.
Los hechos se benefician de las imágenes representativas y, cuando hay varios hechos, gráficos relacionales y organizacionales. Los conceptos se pueden enseñar utilizando imágenes representativas, así como gráficos interpretativos y organizacionales. (Clark y Lyons, 2010)
¿Cuál es el objetivo principal de la representación gráfica?
Esta serie resume una taxonomía integral para el aprendizaje automático en gráficos e informa detalles sobre GraphedM (Chami et al.), Un nuevo marco para unificar diferentes enfoques de aprendizaje.
En los últimos años ha habido una proliferación masiva de técnicas de aprendizaje de representación gráfica (GRL). El objetivo principal de estas técnicas es aprender funciones que asignen la estructura discreta de los datos gráficos a una representación continua en el espacio vectorial. El marco GraphedM introducido en los artículos anteriores puede unificar más de 30 enfoques en el contexto GRL para aprender estas representaciones continuas, también conocidas como incrustaciones.
En el entorno no supervisado, el objetivo de aprendizaje de las técnicas GRL es preservar la estructura del gráfico. En el entorno supervisado, el objetivo es abordar una tarea posterior específica. Diferentes enfoques de aprendizaje implican diferentes métodos de optimización y varios tipos de codificadores para generar integridades de nodos. Por lo tanto, la primera parte de este artículo está dedicada a las funciones objetivas implementadas en GraphedM. La segunda parte se centra en diferentes tipos de codificadores basados en gráficos. Para un breve resumen en el marco GraphedM, sugiero leer los artículos anteriores de esta serie.
En el aprendizaje automático, la función objetivo, o criterio, es la función general que queremos minimizar (o maximizar) durante la optimización de los parámetros del modelo. Si vamos a minimizar la salida, la función objetivo se denota como la función de pérdida para un solo ejemplo de entrenamiento, mientras que se conoce como la función de costo cuando se considera en todo el conjunto de capacitación.
Artículos Relacionados:
