MétaCan
Menu
Retour à la cohorte
Enregistrement W1965788825 · doi:10.1109/haptics.2014.6775548

[D69] End-user vibration customization tools: Parameters and examples

2014· article· en· W1965788825 sur OpenAlexaff
Hasti Seifi, Chamila Anthonypillai, Karon E. MacLean

Notice bibliographique

Revuenon disponible
Typearticle
Langueen
DomaineBusiness, Management and Accounting
ThématiqueProduct Development and Customization
Établissements canadiensUniversity of British Columbia
Organismes subventionnairesnon disponible
Mots-clésPersonalizationComputer scienceHuman–computer interactionContext (archaeology)Focus (optics)Component (thermodynamics)Task (project management)Software deploymentControl (management)Filter (signal processing)Block (permutation group theory)World Wide WebSoftware engineeringArtificial intelligenceEngineeringSystems engineering

Résumé

récupéré en direct d'OpenAlex

Summary form only given, as follows. Touch feedback (e.g., vibrations) can add to the expressiveness and utility of electronic devices, but users have a broad range of preferences as to their content and deployment. Rather than requiring of designers the nearly impossible task of pleasing everyone, we aim to empower users with easy-to-use tools that balance control with effort-of-use, for a desired degree of customizability. We focus in particular on affective qualities. In this demo, in the context of several application scenarios, we propose five parameters that can describe vibration customization tools, and demonstrate them with three tool concepts. Respectively, these follow themes of Choice (fast and convenient: choose individual stimuli), Filter (moderate control: modify base parameters of individual stimuli) and Block (high control: compose stimuli by arranging their component parts). Our aim is to open a discussion on end-user customization and tools, and learn of more contexts that could benefit from such an approach.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,001
score de la tête « metaresearch » (Gemma)0,004
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Sans objet · Signal consensuel: aucune
GenreSignal candidat: Méthodes · Signal consensuel: aucune
Score de désaccord entre enseignants0,041
Score d'incertitude au seuil0,136

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0010,004
Méta-épidémiologie (sens strict)0,0010,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0020,002
Études des sciences et des technologies0,0010,001
Communication savante0,0020,002
Science ouverte0,0010,001
Intégrité de la recherche0,0020,001
Charge utile insuffisante (le modèle a refusé de juger)0,0410,019

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.

Tête enseignante Opus0,019
Tête enseignante GPT0,194
Écart entre enseignants0,175 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeSans objet
Domainenon disponible
GenreMéthodes

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations0
Publié2014
Routes d'admission1
Résumé présentoui

Explorer davantage

Même sujetProduct Development and CustomizationTravaux en français237 207