MODELAGEM DA PROVENIÊNCIA DO PAINEL

Autores

  • Johne Jarske
  • Jorge Rady
  • Lucia V. L. Filgueiras
  • Leandro M. Velloso
  • Tania L. Santos

DOI:

https://doi.org/10.56238/revgeov17n4-075

Palavras-chave:

Modelo de Proveniência, Dashboard, Visualização, Experiência do Usuário

Resumo

Organizações de todos os tipos, sejam públicas ou privadas, com fins lucrativos ou sem fins lucrativos, e de diversos setores e indústrias, dependem de painéis (dashboards) para uma visualização eficaz de dados. No entanto, a confiabilidade e a eficácia desses painéis dependem da qualidade dos elementos visuais e dos dados que apresentam. Estudos mostram que menos de um quarto dos dashboards fornece informações sobre suas fontes, o que representa apenas uma das peças de metadados esperadas quando a proveniência é considerada de forma adequada. Proveniência é um registro que descreve pessoas, organizações, entidades e atividades que tiveram papel na produção, influência ou entrega de um dado ou objeto. Este artigo tem como objetivo fornecer um modelo de representação de proveniência que permita a padronização, modelagem, geração, captura e visualização, especificamente projetado para dashboards e seus componentes visuais e de dados. O modelo proposto fornecerá um conjunto abrangente de metadados de proveniência, permitindo aos usuários avaliar a qualidade, consistência e confiabilidade das informações apresentadas nos dashboards. Isso proporcionará uma compreensão clara e precisa do contexto no qual um determinado painel foi desenvolvido, resultando, em última análise, em melhores tomadas de decisão.

Downloads

Os dados de download ainda não estão disponíveis.

Referências

Sarikaya, A., Correll, M., Bartram, L., Tory, M., & Fisher, D. (2019). What do we talk about when we talk about dashboards? IEEE Transactions on Visualization and Computer Graphics, 25, 682–692. https://doi.org/10.1109/TVCG.2018.2864903

Shankar, K., Jeng, W., Thomer, A., Weber, N., & Yoon, A. (2021). Data curation as collective action during COVID-19. Journal of the Association for Information Science and Technology, 72, 280–284. https://doi.org/10.1002/ASI.24406

Moreau, L., & Groth, P. (2013). Provenance: An introduction to PROV (Vol. 3, pp. 1–131). https://doi.org/10.2200/S00528ED1V01Y201308WBE007

Centers for Disease Control and Prevention. (2022). COVID data tracker. https://covid.cdc.gov/covid-data-tracker

Johns Hopkins University. (2022). Coronavirus resource center. https://coronavirus.jhu.edu/

Florida Department of Health. (2022). Florida COVID action. https://floridacovidaction.com/

Tompkins, A., & Humphries, L. (2020). Provenance research today: Principles, practice, problems (1st ed.). Lund Humphries.

Fuhrmeister, C., & Hopp, M. (2019). Rethinking provenance research. Getty Research Journal, 11(1), 213–231. https://doi.org/10.1086/702755

Rossenova, L., de Wild, K., & Espenschied, D. (2019). Provenance for internet art using the W3C PROV data model. In Proceedings of the 16th International Conference on Digital Preservation (iPRES 2019) (pp. 16–20).

Gramlich, J. (2017). Reflections on provenance research: Values – politics – art markets. Journal for Art Market Studies, 1(2), 322–327. https://doi.org/10.23690/jams.v1i2.15

Cheney, J., Chong, S., Foster, N., Seltzer, M., & Vansummeren, S. (2009). Provenance: A future history. In Proceedings of OOPSLA (pp. 957–964). https://doi.org/10.1145/1639950.1640064

Moreau, L., & Foster, I. (2006). Provenance and annotation of data: International Provenance and Annotation Workshop (IPAW 2006) (Vol. 1). Springer.

Provenance Incubator Group. (2010). Provenance dimensions. https://www.w3.org/2005/Incubator/prov/wiki/Provenance_Dimensions

Zhang, M., Jiang, L., Zhao, J., Yue, P., & Zhang, X. (2020). Coupling OGC WPS and W3C PROV for provenance-aware geoprocessing workflows. Computers & Geosciences, 138, 104419. https://doi.org/10.1016/j.cageo.2020.104419

Groth, P., & Moreau, L. (2013). PROV-overview – an overview of the PROV family of documents. W3C Working Group. https://www.w3.org/2005/Incubator/prov/wiki/Use_Case_Template

Zhang, Y., Sun, Y., Gaggiano, J. D., Kumar, N., Andris, C., & Parker, A. G. (2022). Visualization design practices in a crisis: Behind the scenes with COVID-19 dashboard creators. https://doi.org/10.48550/arXiv.2207.12829

Matheus, R., Janssen, M., & Maheshwari, D. (2020). Data science empowering the public: Data-driven dashboards for transparent and accountable decision-making in smart cities. Government Information Quarterly, 37, 101284. https://doi.org/10.1016/J.GIQ.2018.01.006

Ivanković, D., et al. (2021). Features constituting actionable COVID-19 dashboards. Journal of Medical Internet Research, 23. https://doi.org/10.2196/25682

Jarske, J. M., Rady, J., Filgueiras, L. V. L., Velloso, L. M., & Santos, T. L. (2022). Data provenance visualization in Brazilian public health dashboards. TREX 2022 Workshop on Trust and Expertise in Visualization.

Brügger, N., & Milligan, I. (2018). The SAGE handbook of web history (1st ed.). SAGE Publications.

Moreau, L. (2010). The foundations for provenance on the web. Foundations and Trends in Web Science, 2, 99–241. https://doi.org/10.1561/1800000010

HL7 Community. (2022). HL7 FHIR specification: Resource provenance – content. https://www.hl7.org/fhir/provenance.html

dos Santos, R. R., Santos, M. T. P., & Ciferri, R. R. (2023). ProvOER model: A provenance model for open educational resources. Heliyon, 9, e13311. https://doi.org/10.1016/J.HELIYON.2023.E13311

Ragan, E. D., Endert, A., Sanyal, J., & Chen, J. (2016). Characterizing provenance in visualization and data analysis. IEEE Transactions on Visualization and Computer Graphics, 22, 31–40. https://doi.org/10.1109/TVCG.2015.2467551

RFC 4180. (2005). Common Format and MIME Type for CSV Files. https://www.rfc-editor.org/rfc/rfc4180

RFC 8259. (2017). The JavaScript Object Notation (JSON) data interchange format. https://tools.ietf.org/html/rfc8259

RFC 7946. (2016). The GeoJSON Format. https://tools.ietf.org/html/rfc7946

Ministério da Saúde. (2023). COVID-19 no Brasil. https://infoms.saude.gov.br/extensions/covid-19_html

Moreau, L., Missier, P., et al. (2013). PROV-DM: The PROV data model for provenance. https://www.w3.org/TR/prov-dm/

Werner, B., & Moreau, L. (2020). ProvViz: An intuitive PROV editor and visualizer. In International Provenance and Annotation Workshop (pp. 231–236). Springer.

Zhai, J., Chen, H., & Yuan, C. (2017). Provenance metadata of open government data based on PROV-JSON. In ACM International Conference Proceedings Series (pp. 594–595). https://doi.org/10.1145/3085228.3085229

Huynh, T. D., Jewell, M. O., Keshavarz, A. S., Michaelides, D. T., Yang, H., & Moreau, L. (2013). The PROV-JSON serialization. https://www.w3.org/Submission/prov-json/#introduction

Yazici, I. M., Karabulut, E., & Aktas, M. S. (2018). A data provenance visualization approach. In 2018 14th International Conference on Semantics, Knowledge and Grids (SKG) (pp. 84–91). IEEE. https://doi.org/10.1109/SKG.2018.00019

Downloads

Publicado

2026-04-19

Como Citar

Jarske, J., Rady, J., Filgueiras, L. V. L., Velloso, L. M., & Santos, T. L. (2026). MODELAGEM DA PROVENIÊNCIA DO PAINEL. Revista De Geopolítica, 17(4), e2143. https://doi.org/10.56238/revgeov17n4-075