MétaCan
Menu
Retour à la cohorte
Enregistrement W2085450850 · doi:10.4018/jbdcn.2011040104

Micro Context-Awareness for Autonomic Pervasive Computing

2011· article· en· W2085450850 sur OpenAlexaff
Bessam Abdulrazak, Patrice Roy, Robert J. Vallerand, Yacine Belala, Sylvain Giroux

Notice bibliographique

RevueInternational Journal of Business Data Communications and Networking · 2011
Typearticle
Langueen
DomaineComputer Science
ThématiqueContext-Aware Activity Recognition Systems
Établissements canadiensSystems, Applications & Products in Data Processing (Canada)Université de Sherbrooke
Organismes subventionnairesnon disponible
Mots-clésUbiquitous computingComputer scienceAutonomic computingContext awarenessContext (archaeology)Context-aware pervasive systemsMacroEnd-user computingSoftwareHuman–computer interactionContext modelSoftware engineeringData scienceComputer securityUtility computingArtificial intelligenceCloud computingOperating systemProgramming languageCloud computing security

Résumé

récupéré en direct d'OpenAlex

Context-aware software provides adapted services to users or other software components. On the other hand, Autonomic Pervasive Computing uses context to reduce the complexity of pervasive system utilization, management and maintenance. This paper describes two context-awareness models, the macro and micro approaches, that define and integrate contextual views of individual pervasive components (micro level) and global knowledge of the system (macro level), and provides a more detailed overview of a micro Context-aware programming model for open smart space problems. These models are presented and compared with respect to their ability to meet the requirements of the Autonomic Pervasive Computing concept of the four selves.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,001
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Autre devis · Signal consensuel: aucune
GenreSignal candidat: Méthodes · Signal consensuel: aucune
Score de désaccord entre enseignants0,985
Score d'incertitude au seuil0,938

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0010,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0000,000
Communication savante0,0000,002
Science ouverte0,0050,002
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

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.

Tête enseignante Opus0,234
Tête enseignante GPT0,342
Écart entre enseignants0,108 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeAutre devis
Domainenon disponible
GenreMéthodes

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations20
Publié2011
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueInternational Journal of Business Data Communications and NetworkingMême sujetContext-Aware Activity Recognition SystemsTravaux en français237 207