Augmented Reality – Implications toward Virtual Reality, Human Perception and Performance
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.
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 | 0,005 | 0,006 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,003 | 0,012 |
| Communication savante | 0,016 | 0,013 |
| Science ouverte | 0,002 | 0,004 |
| Intégrité de la recherche | 0,006 | 0,006 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,016 | 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 ».