Clustering and visualization for enhancing interpretation of categorical data

• 資料種別: 博士論文
• タイトル: Clustering and visualization for enhancing interpretation of categorical data
• 著者・編者: 髙岸, 茉莉子
• 著者標目: 髙岸, 茉莉子
• 出版年月日等: 2019-09-20
• 出版年（W3CDTF）: 2019-09-20
• 並列タイトル等: カテゴリカルデータの解釈容易性を向上させるためのクラスタリングと視覚化法について; カテゴリカル データ ノ カイシャク ヨウイセイ オ コウジョウ サセル タメ ノ クラスタリング ト シカクカホウ ニツイテ
• 授与機関名: 同志社大学; Doshisha University
• 授与年月日: 2019-09-20
• 授与年月日（W3CDTF）: 2019-09-20
• 報告番号: 甲第1041号
• 学位: 博士(文化情報学)
• 本文の言語コード: eng
• 著者別名: 高岸, 茉莉子
• 件名標目: カテゴリカルデータ; クラスタリング; 視覚化; リッカート尺度; バイプロット; categorical data; clustering; visualization; Likert scale; biplot
• 対象利用者: 一般
• 一般注記: 出版タイプ： VoR
• DOI: 10.14988/di.2020.0000000064; https://doi.org/10.14988/di.2020.0000000064
• 国立国会図書館永続的識別子: info:ndljp/pid/11490166; https://dl.ndl.go.jp/pid/11490166
• コレクション（共通）: 障害者向け資料
• コレクション（障害者向け資料：レベル1）: テキストデータ
• コレクション（個別）: 国立国会図書館デジタルコレクション > デジタル化資料 > 博士論文; https://dl.ndl.go.jp/collections/A00014
• 収集根拠: 博士論文（自動収集）
• 記録形式（IMT）: application/pdf
• オンライン閲覧公開範囲: 国立国会図書館内限定公開
• デジタル化資料送信: 図書館・個人送信対象外
• 遠隔複写可否（NDL）: 可
• 関連情報（URI）: https://ci.nii.ac.jp/ncid/BB29672136
• 掲載誌（URI）: https://doi.org/10.14988/di.2020.0000000064; https://doshisha.repo.nii.ac.jp/records/1568
• 別の記録形式（URI）: https://doors.doshisha.ac.jp/opac/opac_link/bibid/BB13112135/?lang=0
• 連携機関・データベース: 国立国会図書館 : 国立国会図書館デジタルコレクション; https://dl.ndl.go.jp

• 要約等: 本論文では大規模カテゴリカルデータのデータ解釈の場面で生じる問題を考えた．データが大規模な場合，クラスター分析や視覚化などで，データの潜在的な構造を調べる方法が有用とされるが，対象ごとにカテゴリの解釈が異なったり，同じ属性でも回答傾向が異なったりすると解釈が複雑になる．本論文ではそのように既存手法をシンプルに適用するのでは解釈が難しいようなデータに対して，よりわかりやすい解釈をするための手法を開発した．; Large-scale categorical data are often obtained in various fields. As an interpretation of large-scale data tends to be complicated, methods to capture the latent structure in data, such as a cluster analysis and a visualization method are often used to make data more interpretable. However, there are some situations where these methods failed to capture the latent structure that is interpretable (e.g., interpretation of categories by each respondent is different). Therefore in this paper, two problems that often occur in large-scale categorical data analysis is considered, and new methods to address these issues are proposed.
• DOI: 10.14988/di.2020.0000000064; https://doi.org/10.14988/di.2020.0000000064
• 記録形式（IMT）: application/pdf
• 一次資料へのリンクURL: 全文/fulltext （fulltext）; https://doshisha.repo.nii.ac.jp/record/1568/files/zk1041.pdf
• オンライン閲覧公開範囲: インターネット公開
• 関連情報（NCID）: BB29672136; https://ci.nii.ac.jp/ncid/BB29672136
• 別の記録形式: URI : 掲載刊行物所蔵情報へのリンク ／ Link to Contents; https://doors.doshisha.ac.jp/opac/opac_link/bibid/BB13112135/?lang=0
• 連携機関・データベース: 国立情報学研究所 : 学術機関リポジトリデータベース（IRDB）（機関リポジトリ）; https://irdb.nii.ac.jp
• 提供元機関・データベース: 同志社大学 : 同志社大学学術リポジトリ

目次

2020-08-12 再収集

2020-08-12 再収集

2023-04-26 再収集

2023-04-26 再収集

2023-12-07 再収集