MARC

 008260126s2025        us                              c    eng  d
■001000017359575
■00520260202105140
■006m          o    d                
■007cr#unu||||||||
■020    ▼a9798291588581
■035    ▼a(MiAaPQ)AAI32240571
■040    ▼aMiAaPQ▼cMiAaPQ
■0820  ▼a153
■1001  ▼aJensen,  Clint  A.
■24510▼aLeaving  Their  Mark:  New  Computational  Methods  Reveal  Rich  Latent  Structure  in  Children's  Human  Figure  Drawings
■260    ▼a[Sl]▼bThe  University  of  Wisconsin  -  Madison▼c2025
■260  1▼aAnn  Arbor▼bProQuest  Dissertations  &  Theses▼c2025
■300    ▼a248  p
■500    ▼aSource:  Dissertations  Abstracts  International,  Volume:  87-03,  Section:  A.
■500    ▼aAdvisor:  Rogers,  Timothy  T.
■5021  ▼aThesis  (Ph.D.)--The  University  of  Wisconsin  -  Madison,  2025.
■520    ▼aBecause  most  children  happily  produce  drawings,  there  has  long  been  interest  in  what  those  drawings  might  suggest  about  a  child's  inner  life.  From  the  earliest  descriptions  of  children's  drawings  through  more  careful  and  rigorous  scientific  research,  it  is  common  to  begin  with  two  basic  assumptions.  The  first  holds  that  across  the  drawings  that  children  produce,  there  will  be  many  commonalities  shared  between  children.  The  second  assumption  is  that  within  the  drawings  an  individual  child  produces,  some  aspect  or  group  of  features  will  connote  abilities,  competencies,  emotional/mental  states,  or  underlying  characteristics  of  that  particular  child.  So  that  any  commonalities,  discrepancies,  or  attributes  can  be  better  identified,  both  historic  and  current  methods  of  drawing  assessment  involve  checklists  wherein  raters  determine  the  presence  or  absence  of  a  predetermined  set  of  features  (e.g.,  within  human  figure  drawings:  head,  arms,  eyes,  etc.).  After  indicating  which  features  are  present,  a  count  value  for  individual  features  can  be  summed  together  to  produce  a  single  integer  score  for  a  given  drawing.  The  resulting  drawing  scores  are  then  aggregated  with  other  behavioral  and  cognitive  measures  or  used  independently  to  predict  a  diversity  of  outcomes  with  perhaps  surprising  effectiveness.  Nevertheless,  the  checklist  method  may-despite  its  apparent  simplicity-both  add  an  unnecessary  burden  to  the  researcher  while  also  underrepresenting  the  performance  of  the  child.  Within  this  dissertation,  I  will  present  recent  research  that  leverages  computational  advances  in  both  collecting  and  analyzing  drawings  through  the  use  of  crowd-sourced  perceptual  judgements  and  convolutional  neural  networks  trained  on  photographs  of  real-world  images  to  uncover  latent  structure  in  children's  drawings.  These  methodologies  offer  an  opportunity  to  both  improve  and  enhance  the  assessment  of  children's  development  through  their  drawings.
■590    ▼aSchool  code:  0262.
■650  4▼aCognitive  psychology
■650  4▼aDevelopmental  psychology
■650  4▼aPsychology
■650  4▼aInformation  science
■653    ▼aChild  development
■653    ▼aChildren's  drawings
■653    ▼aCognition
■653    ▼aConvolutional  neural  networks
■653    ▼aHuman  figure  drawing
■653    ▼aMachine  vision
■690    ▼a0633
■690    ▼a0620
■690    ▼a0621
■690    ▼a0723
■71020▼aThe  University  of  Wisconsin  -  Madison▼bPsychology.
■7730  ▼tDissertations  Abstracts  International▼g87-03A.
■790    ▼a0262
■791    ▼aPh.D.
■792    ▼a2025
■793    ▼aEnglish
■85640▼uhttp://www.riss.kr/pdu/ddodLink.do?id=T17359575▼nKERIS▼z이  자료의  원문은  한국교육학술정보원에서  제공합니다.

Preview

Export

ChatGPT Discussion

AI Recommended Related Books