MétaCan
Menu
Retour à la cohorte
Enregistrement W2338290034

CORRECTIVE SONIC FEEDBACK FOR SPEED SKATING: A CASE STUDY

2010· article· en· W2338290034 sur OpenAlexaff
Andrew Godbout, Jeffrey E. Boyd

Notice bibliographique

Revuenon disponible
Typearticle
Langueen
DomaineComputer Science
ThématiqueMusic Technology and Sound Studies
Établissements canadiensUniversity of Calgary
Organismes subventionnairesnon disponible
Mots-clésComputer scienceSIGNAL (programming language)Instrumentation (computer programming)Motion (physics)Speech recognitionComputer visionSimulationControl theory (sociology)Artificial intelligenceControl (management)
DOInon disponible

Résumé

récupéré en direct d'OpenAlex

We present a system that provides real-time audio feedback to athletes performing repetitive, periodic movements. The system synchronizes the temporal signal from a sensor placed on the athletes body with a model signal. The audio feedback tells the athlete how well they are synchronized with the model, and whether or not they are deviating from the model at critical points in the periodic motion. Because the feedback is continuous and in real-time, the athlete is able to correct their motion in response to the sounds they hear. The system uses simple, inexpensive instrumentation (the entire system costs less than $500) and avoids the uses of expensive and inconvenient motion capture systems. We demonstrate the effectiveness of the system with a case study featuring a speed skater that had developed a significant anomaly in his technique. 1.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,001
score de la tête « metaresearch » (Gemma)0,008
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Étude de cas · Signal consensuel: Étude de cas
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,007
Score d'incertitude au seuil0,015

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0010,008
Méta-épidémiologie (sens strict)0,0010,000
Méta-épidémiologie (sens large)0,0010,001
Bibliométrie0,0020,001
Études des sciences et des technologies0,0040,002
Communication savante0,0020,001
Science ouverte0,0020,001
Intégrité de la recherche0,0070,002
Charge utile insuffisante (le modèle a refusé de juger)0,0040,001

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.

Tête enseignante Opus0,024
Tête enseignante GPT0,287
Écart entre enseignants0,263 · 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 source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeÉtude de cas
Domainenon disponible
GenreEmpirique

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

En bref

Citations50
Publié2010
Routes d'admission1
Résumé présentoui

Explorer davantage

Même sujetMusic Technology and Sound StudiesTravaux en français237 207