Augmented Reality – Implications toward Virtual Reality, Human Perception and Performance
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
Augmented reality (AR) is defined as “a live direct or an indirect view of a physical, real-world environment whose elements are augmented by computer-generated sensory input, such as sound, graphics or GPS data.” It is not uncommon to come face-to-face with smart devices that are equipped with multiple embedded sensory inputs such as mega pixel camera, microphones, speakers, high definition (e.g. Retina) displays, 3D displays, holographic displays and pico-projection technologies. Such technology has enabled application designers and developers to package information succinctly and efficiently without loss of clarity. Recently, AR applications (e.g. iPhone World Lens, Google goggles) have drawn mainstream attention. The military also has programs that represent a leap forward (e.g. DARPA Sandblaster program). These advances in AR have been influenced by developments in variety of technologies including low cost of advanced processors, light weight displays, ubiquitous computing afforded by omnipresent devices such as smart phones, tablets, etc. However, there are currently no human factors standards to aid the development. These technologies have great potential to enhance our abilities, but there is also the risk that they represent an annoyance or a significant safety risk. Specifically, improper system lag, reliability, display design (e.g., clutter or resolution) could lead to errors. The goal of this session is to discuss what research is needed to define these standards. It is likely that there is no one set of standards, but developing a framework for these standards will go a long way towards bridging the research-application gap.
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 | 0,001 | 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 | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| 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