The Linkcell Construct and Location-Aware Query Processing for Location-Referent Transactions in Mobile Business
Notice bibliographique
Résumé
The technologies that enable the transactions and interactions of mobile business are now as ubiquitous as any business-applicable technology that has emerged in recent decades. There is also an exploding base of literature with mobile business as its subject. The variety and volume of literature present a challenge to defining mobile business (m-business) in a way that differentiates it from other forms of technology-enabled business activity. For purposes here, m-business is held to be an extension of electronic business wherein transactions occur through communication channels that permit a high degree of mobility by at least one of the transactional parties. Within m- business, the distinct sub-area of locationbased mobile business (l- business) has recently emerged and is rapidly expanding (Frost & Sullivan, 2006). In l-business, the technologies that support m-business transactions are extended to incorporate location-aware capabilities. A system is ‘location aware’ when it senses a transactional party’s geographical position and then uses that positional information to perform one or more of the CRUD (create, retrieve, update, delete) functions of data management in support of a mobile user’s transactional activities (Butz, Baus, and Kruger, 2000). In their discussion of “location awareness”, Yuan and Zhang (2003) suggest that it “is a new dimension for value creation” applicable to an extensive variety of areas in which mobility is a salient characteristic: travel and tourism, commercial transportation, insurance risk/recovery management, emergency response, and many others.
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 | 0,001 | 0,000 |
| Science ouverte | 0,001 | 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 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 ».