MARC

 008240221s2023        ulk                      00        kor
■001000016934856
■00520240214101703
■006m          o    d                
■007cr#unu||||||||
■020    ▼a9798380333542
■035    ▼a(MiAaPQ)AAI30635922
■040    ▼aMiAaPQ▼cMiAaPQ
■0820  ▼a004
■1001  ▼aJun,  Eunice.
■24510▼aData  Analysis  Tools  for  Statistical  Non-Experts▼h[electronic  resource]
■260    ▼a[S.l.]▼bUniversity  of  Washington.  ▼c2023
■260  1▼aAnn  Arbor▼bProQuest  Dissertations  &  Theses▼c2023
■300    ▼a1  online  resource(244  p.)
■500    ▼aSource:  Dissertations  Abstracts  International,  Volume:  85-03,  Section:  B.
■500    ▼aAdvisor:  Heer,  Jeffrey;Just,  Rene.
■5021  ▼aThesis  (Ph.D.)--University  of  Washington,  2023.
■506    ▼aThis  item  must  not  be  sold  to  any  third  party  vendors.
■520    ▼aData  analysis  is  critical  to  science,  public  policy,  and  business.  Despite  their  importance,  statistical  analyses  are  difficult  to  author,  especially  for  researchers  with  expertise  outside  of  statistics.  Existing  statistical  tools,  prioritizing  mathematical  expressivity  and  computational  control,  are  low-level  while  researchers'  motivating  questions  and  hypotheses  are  high-level.  The  process  of  translating  researchers'  questions  and  hypotheses  into  low-level  statistical  code  is  error-prone.This  thesis  views  statistical  analysis  authoring  as  a  sensemaking  process  that  involves  grappling  with  domain  knowledge,  statistics,  and  programming  concerns.  To  this  end,  I  develop  a  framework  characterizing  the  cognitive  and  operational  steps  involved  in  translating  research  questions  into  statistical  analysis  code,  a  process  I  term  hypothesis  formalization.  I  also  design,  implement,  and  evaluate  three  new  domain-specific  languages  (DSLs)  and  runtimes  that  embody  hypothesis  formalization.  The  DSLs  leverage  automated  reasoning  to  compile  high-level  specifications  of  analysis  intent  into  analysis  code.The  first  of  these,  Tea,  is  used  to  author  Null  Hypothesis  Significance  Tests.  Analysts  specify  their  study  design,  assumptions  about  data,  and  hypotheses  in  Tea's  DSL.  Tea  represents  statistical  test  selection  as  constraint  satisfaction,  so  it  compiles  an  analyst's  specification  into  a  system  of  constraints  to  identify  a  set  of  valid  statistical  tests.  A  benchmark  comparison  found  that  Tea's  test  selection  is  comparable  to  that  of  experts  and  better  than  a  naive  test  selection  approach.I  also  introduce  Tisane,  a  system  for  authoring  generalized  linear  models  with  or  without  mixed  effects.  Analysts  specify  their  domain  knowledge  in  the  form  of  a  conceptual  model,  data  collection  details,  and  focus  of  analysis  in  Tisane's  DSL.  Internally,  Tisane  represents  this  conceptual  model  as  a  graph.  Tisane  traverses  the  graph  to  derive  a  space  of  statistical  models  based  on  causal  reasoning  recommendations.  Then,  in  an  interactive  disambiguation  process,  Tisane  involves  analysts  in  narrowing  the  space  of  possible  statistical  models  to  one  final  output  statistical  modeling  script.  In  case  studies,  we  found  that  Tisane  shifted  researchers'  focus  from  analysis  details  to  their  research  questions  and  streamlined  the  analysis  authoring  process.  To  further  improve  the  usability  of  the  Tisane  DSL,  I  conducted  an  exploratory  elicitation  study  using  Tisane  as  a  probe,  designed  and  implemented  an  improved  version  of  Tisane  as  rTisane,  and  then  evaluated  rTisane  in  a  controlled  lab  study.  The  summative  evaluation  demonstrated  that  rTisane's  DSL  helped  analysts  introspect  on  their  implicit  domain  assumptions  more  deeply,  stay  true  to  their  analysis  intent,  and  produce  statistical  models  that  better  fit  the  data.  In  all,  these  systems  and  evaluations  provide  evidence  that  conceptually  focused  DSLs  coupled  with  automated  reasoning  can  lower  the  barriers  to  valid  analyses.
■590    ▼aSchool  code:  0250.
■650  4▼aComputer  science.
■650  4▼aStatistics.
■650  4▼aCognitive  psychology.
■650  4▼aComputer  engineering.
■653    ▼aData  analysis
■653    ▼aEnd-user  software  engineering
■653    ▼aHuman-computer  interaction
■653    ▼aProgramming  languages
■653    ▼aSensemaking
■653    ▼aStatistical  software
■690    ▼a0984
■690    ▼a0463
■690    ▼a0633
■690    ▼a0464
■71020▼aUniversity  of  Washington▼bComputer  Science  and  Engineering.
■7730  ▼tDissertations  Abstracts  International▼g85-03B.
■773    ▼tDissertation  Abstract  International
■790    ▼a0250
■791    ▼aPh.D.
■792    ▼a2023
■793    ▼aEnglish
■85640▼uhttp://www.riss.kr/pdu/ddodLink.do?id=T16934856▼nKERIS▼z이  자료의  원문은  한국교육학술정보원에서  제공합니다.
■980    ▼a202402▼f2024

미리보기

내보내기

chatGPT토론

Ai 추천 관련 도서