A Methodology on Guiding Effectiveness-Focused Training of the Weapon Operator Using Big Data and VC Simulations
Notice bibliographique
Résumé
Operator training using a weapon in a real-world environment is risky, expensive, time-consuming, and restricted to the given environment. In addition, governments are under intense scrutiny to provide security, yet they must also strive for efficiency and reduce spending. In other words, they must do more with less. Virtual simulation, is usually employed to solve these limitations. As the operator is trained to maximize weapon effectiveness, the effectiveness-focused training can be completed in an economical manner. Unfortunately, the training is completed in limited scenarios without objective levels of training factors for an individual operator to optimize the weapon effectiveness. Thus, the training will not be effective. For overcoming this problem, we suggest a methodology on guiding effectiveness-focused training of the weapon operator through usability assessments, big data, and Virtual and Constructive (VC) simulations. Usability assessments will be done to identify human factors affecting weapon’s effectiveness. Usability assessments consist of data-driven and judgment-driven analytics. The first is generated from raw simulation log files to evaluate the participant’s level of skill. The latter is generated from questionnaires, and evaluates the user’s background, experience, and opinions about various interactions within the simulation. The human factors must be found out based on several situations to reduce bias. VC simulations are executed under a variety of scenarios, and then, big data are generated such as structured, unstructured, semi-structured types. The big data, including completed questionnaires, are stored in a Hadoop Distributed File System (HDFS) and analyzed with processing via MapReduce, followed by an analytics tool. We can discover important human factors influencing weapon effectiveness, along with optimal values for these factors, which can be a guideline for effectiveness-focused training of the individual weapon operator.
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 enseignantsNi 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.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,020 | 0,031 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,004 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,002 |
| Communication savante | 0,003 | 0,002 |
| Science ouverte | 0,002 | 0,003 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 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 source (Gemma direct ou Codex distillé), 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 ».