Cross-device transfer in a collaborative multi-surface environment without user identification
Notice bibliographique
Résumé
Combining large interactive surface computers (e.g., digital walls and tables) with smaller, multi-touch surface devices (e.g., smartphones and tablets) provides groups of users with both private and shared workspaces during collaborative (or competitive) activities. Such multi-surface environments introduce the need for effective interaction techniques that enable the transfer of digital content from one device to another, commonly known as cross-device transfer. Utilizing popular existing cross-transfer methods, such as Pick-and-Drop, in a multi-user multi-surface environment, however, require systems that can distinguish between users in order for the environment to accurately know who is transferring what content to what device. Yet, most commercially available digital tabletop systems are not capable of distinguishing between different users. Therefore, existing cross-device transfer methods must be adapted to work in such a user-information limited context. This paper presents a user study comparing the effectiveness of two adapted transfer methods in the context of a strategic digital tabletop card game task. The two transfer methods included a virtual portals-style method, called Bridges, and an adapted Pick-and-Drop method (A-PND). The studied transfer methods both supported the high-levels of card-transfer between private (tablet) and tabletop surfaces required by the game task. Also, participants' reported preferences were equally divided between the two techniques. An in-depth qualitative analysis of the study data revealed that each transfer method provided unique advantages and disadvantages for the game task, which aligned better or worse with different players' personal task goals.
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 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 | 0,001 |
| 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 | 0,001 |
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 tête enseignante, 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 ».