User models for intent-based authoring
Notice bibliographique
Résumé
Authoring is the collection, selection, preparation and presentation of information to one or more readers by an author. The thesis takes a new, critical look at traditional approaches to authoring, by asking what knowledge is required and at which stages of the process. From this perspective, traditional authoring is seen to entrench an early commitment to both form and content. Although the late binding of form is now commonplace in structured document preparation systems, a similar delay in the binding of content is necessary to achieve user-tailored interaction. The authoring paradigm we have developed to service this goal is called intent-based authoring, because the author supplies at compile-time a communicative goal, or intent. Just as SGML editors and HTML browsers defer rendering decisions until run-time by referring to a local stylesheet, intent-based authoring systems defer content-selection decisions until runtime when they refer to models of both author and reader(s). This thesis shows that techniques from artificial intelligence can be developed and used to acquire, represent and exploit such models. Probabilistic abduction is used to recognize user models, and cost-based abduction to design tailored presentations. These techniques are combined in a single framework for best-first recognition and design. These reasoning techniques are further allied with an interaction paradigm we call scrutability, whereby users critique the model in pursuit of better presentations; users see a critical subset of the model determined by sensitivity analysis and can change values through a graphical user interface. The interactivity is modelled to ensure that representations of the user model to the user are made in the most perceptually salient manner. A prototype for intent-based video authoring is described. Video is used as a test medium because it is a "worst case" temporally linear medium; a viable solution to video authoring problems should apply easily to more tractable traditional media. The primary contribution of this dissertation is to the field of applied artificial intelligence, specifically to the emerging field of user modelling. The central contribution is the intent-based authoring framework for separating intent from content.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,006 | 0,019 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,002 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,003 |
| Communication savante | 0,004 | 0,005 |
| Science ouverte | 0,002 | 0,004 |
| Intégrité de la recherche | 0,003 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,012 | 0,003 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».