Il candidato dovrà creare (in Javascript, HTML5 o CSS) viste alternative che rappresentino un livello di incertezza su una previsione (ad esempio di un punteggio di rischio) espresso in percentuale (cioè un numero reale compreso tra 0 e 1).
Il candidato riceverà più modelli statici da replicare e rendere adattivi rispetto all’input numerico di cui sopra, in modo che il sistema generi la visualizzazione secondo la suddetta percentuale; alcune viste saranno foto ad alta risoluzione alle quali il sistema dovrà associare un algoritmo di sfocatura (ad esempio Pixastic, StackBlur o Superfast Blur) o simulare un disallineamento artificiale.
Il candidato dovrà anche testare la comprensibilità di queste opinioni, ovvero coinvolgere diversi utenti in un semplice esperimento in cui valutare quali visualizzazioni ed effetti su di esse consentono agli utenti generici di discriminare e confrontare correttamente livelli grossolani di incertezza (es.: 25 % contro 50%, 50% contro 75%, 70% contro 90%, 80% contro 90%).
L’obiettivo è individuare il metodo di visualizzazione più appropriato da integrare in un vero e proprio sistema a supporto delle decisioni medico-prognostiche (integrazione non compresa nello stage) in modo che medico e paziente non ricevano indicazioni numeriche da questo sistema ma indicazioni analogiche corrispondenti.
PREREQUISITI
- Conoscenza di JavaScript.
- Conoscenza di HTML5.
- Conoscenza di CSS.
OBBIETTIVI FORMATIVI
- Non sono stati specificati degli obbiettivi formativi per questa proposta di stage.
DURATA DELLO STAGE E CONTESTO RACCOMANDATO
- Adatto a: Tesi di Laurea Magistrale, soprattutto (ma non esclusivamente) in Data Science.
- Durata: 6 mesi (circa).
MODALITA’ E ORARI DI LAVORO
- Modalità di lavoro: remota, con frequenti riscontri via mail e occasionali incontri di persona.
- Ore di lavoro: non fissate, ma generalmente ci saranno degli obbiettivi settimanali da raggiungere
CONTATTI
- Contatto primario: Professor Federico Cabitza, federico.cabitza@unimib.it