MARC

 008260126s2025        us                              c    eng  d
■001000017360483
■00520260202105534
■006m          o    d                
■007cr#unu||||||||
■020    ▼a9798263353933
■035    ▼a(MiAaPQ)AAI32310073
■035    ▼a(MiAaPQ)GeorgiaTech77934
■040    ▼aMiAaPQ▼cMiAaPQ
■0820  ▼a615.9
■1001  ▼aWright,  Austin  P.
■24510▼aDesigning  from  Data  to  Discovery:  Human-Centered  Machine  Learning  for  Interpretable  Scientific  Data  Exploration
■260    ▼a[Sl]▼bGeorgia  Institute  of  Technology▼c2025
■260  1▼aAnn  Arbor▼bProQuest  Dissertations  &  Theses▼c2025
■300    ▼a221  p
■500    ▼aSource:  Dissertations  Abstracts  International,  Volume:  87-05,  Section:  B.
■500    ▼aAdvisor:  Chau,  Duen  Horng.
■5021  ▼aThesis  (Ph.D.)--Georgia  Institute  of  Technology,  2025.
■520    ▼aIt  is  often  ignored  how  scientific  discovery  is  a  social  activity  done  by  people;  thus  designing  the  statistical  and  computational  tools  that  these  people  use  to  explore  novel  and  complex  data  requires  a  human-centered  approach.  Modern  data  mining  methods  purport  to  be  able  to  assist  in  this  endeavor  by  making  more  data  types  more  amenable  to  visualization  and  analysis.  However,  very  frequently  these  methods  (when  straightforwardly  applied)  solve  the  wrong  problems  -  ignoring  the  real  problems  that  actual  scientists  face  in  their  workflows.  What  is  needed  are  better  human-centered  theories  of  applied  data-science  that  take  into  account  this  divide  between  scientific  users  and  existing  machine  learning  problem  formulations.This  thesis  contributes  towards  precisely  that  goal,  using  extensive  embedded  field  work  to  identify  and  understand  the  needs  of  specific  groups  of  scientists  across  multiple  domains,  and  designing  new  machine  learning  tools  to  address  them.  From  this  concrete  basis  I  develop  frameworks  for  the  centering  of  people  in  the  meta-process  of  the  design  of  machine  learning  models  within  their  total  context  of  actual  scientists'  processes  of  scientific  discovery  -  a  synthesis  of  machine  learning  (ML)  theoretic  and  human-computer  interaction  (HCI)  methodological  frameworks.  Therefore  this  work  has  two  interrelated  parts:(1)  Human-Centered  Discovery  Frameworks:  in  which  I  develop  frameworks  for  understanding  the  human  processes  of  scientific  discovery,  based  on  embedded  user  research  on  scientists  working  collaboratively  in  context,  and  model  how  ML  systems  interact  with  these  processes,  and  create  guidelines  for  improving  the  design  of  such  systems.(2)  Interpretable  ML  for  Exploratory  Science:  in  which  I  utilize  these  frameworks  to  collaborate  with  scientists  and  develop  novel  interpretable  ML  methods  that  address  the  particular  problems  of  scientific  users  doing  exploratory  data  analysis.  Altogether  this  work  contributes  to  scholarship  in  in  ML,  HCI,  and  multiple  scientific  domains.
■590    ▼aSchool  code:  0078.
■650  4▼aToxicity
■650  4▼aPrescription  drugs
■650  4▼aHuman-computer  interaction
■650  4▼aSpelling
■650  4▼aVisualization
■650  4▼aFentanyl
■650  4▼aSemantics
■650  4▼aNarcotics
■650  4▼aComputer  science
■650  4▼aPharmaceutical  sciences
■650  4▼aToxicology
■690    ▼a0800
■690    ▼a0984
■690    ▼a0572
■690    ▼a0383
■71020▼aGeorgia  Institute  of  Technology.
■7730  ▼tDissertations  Abstracts  International▼g87-05B.
■790    ▼a0078
■791    ▼aPh.D.
■792    ▼a2025
■793    ▼aEnglish
■85640▼uhttp://www.riss.kr/pdu/ddodLink.do?id=T17360483▼nKERIS▼z이  자료의  원문은  한국교육학술정보원에서  제공합니다.

미리보기

내보내기

chatGPT토론

Ai 추천 관련 도서