3‐D pose presentation for training applications
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Purpose In the authors' experience, the biggest issue with pose‐based exergames is the difficulty in effectively communicating a three‐dimensional pose to a user to facilitate a thorough understanding for accurate pose replication. The purpose of this paper is to examine options for pose presentation. Design/methodology/approach The authors examine three methods of presentation and feedback to determine which provides the user with the greatest improvement in performance. An on‐body sensor network system was used to measure success rates, and address the challenges and issues that arise throughout the process. Findings A three‐dimensional interface allows for full control of the camera, and after conducting all of the experiments, the importance of this feature became exceedingly apparent. Though other elements of feedback were able to illustrate specific problem areas, the camera rotation improved some success rates by more than double. Research limitations/implications Refinements of visual feedback methods during training could include determining the ideal position for the camera to view the avatar after the rotation to maximize pose comprehension. Future research could also include working towards providing the participant with more specific instructions, verbally or symbolically. Originality/value In a traditional setting, such as a yoga class, a physically present moderator would provide coaching to participants who struggled with pose reproduction. However, for obvious reasons, this cannot be implemented in a computer‐based training setting. This research begins to examine what is the necessary user interface for activities that are traditionally very closely monitored.
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.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
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 découle