Extending computational models of abstract motion with movement qualities
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
The affectively rich expressive capacity of movement and motion is well established in art, performance, animation and visualization but research in perception, cognitive and social psychology provides only limited insight into the visual features that underpin this richness, and artistic principles are not amenable to computational modeling. Recent research has shown the communicative potential of simple abstract motions, absent of figure, to convey affect [23] based on a limited algorithmic model manipulating basic motion dimensions such as shape, speed and direction. Evidence suggests that descriptive frameworks of human movement expression, such as Laban Movement Analysis (LMA), are effective analytical tools with established principles and models; yet the benefits and challenges of incorporating these concepts into larger frameworks of motion and animation has not been rigorously explored. We present a computational model and prototype implementation that incorporates LMA core concepts and principles with established motion algorithms such that users can represent and explore LMA concepts using abstract motions. The model is the outcome of an indepth qualitative study with Certified Movement Analysts (CMAs) exploring, creating and analyzing the potential of low-level animation features to communicate expressive qualities of movement. A more comprehensive design space includes both new parameters for manipulation and a synthesis of lower-level dimensions into the more semantic concepts of Laban principles. In this paper, we discuss the evolution of the model to incorporate these principles of human movement, next steps, and relate the potential applicability of this research to applications in art, visualization and cognition.
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