Context-aware interactive content adaptation
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
Automatic adaptation of content for mobile devices is a challenging problem because optimal adaptation often depends on the usage semantics of content, as well as the context of users (e.g., screen size of device being used, network connectivity, location, etc.). UsageawaRe Interactive Content Adaptation (URICA) is an automatic technique that adapts content for mobile devices based on usage semantics. URICA allows a user who is unsatisfied with the system’s current adaptation prediction to take control of the adaptation process and make changes until the content is suitably adapted for her purposes. The adaptation system learns from the user’s modifications and adjusts its prediction for future accesses by other users. This paper shows that it is possible to exploit user interaction to learn how to adapt content based on context. We introduce Feedback-driven Context Selection (FCS), an automatic technique that leverages user interaction to identify the context that has the most impact on adaptation requirements. We added contextawareness to URICA so that it makes adaptation predictions for a user based only on the history of the community of users that share the context identified by FCS. The result is an automatic adaptation system that provides fine grain adaptations that reflect both the user’s context and the content’s usage semantics. This level of fine grain adaptation was previously available only in content that was customized manually. Experiments with two context-aware URICA prototypes show that FCS correctly identifies the contextual characteristics that impact adaptation requirements, and that grouping users into communities based on context improves the performance of the adaptation system by up to 79%.
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 | 0,001 |
| 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 découle