The practicality of using a smartphone as a sound level meter
Notice bibliographique
Résumé
Background & Purpose: Sound is of vital importance for human life, it is one of the main forms of communication between people. However, sound that is a nuisance to others is considered noise. Too much noise can be disruptive and affects one’s enjoyment of life and can lead to ill health effects. In some municipalities, bylaw officers or Environmental Health Officers (EHOs) are tasked with enforcing the local noise bylaw. “Sound Level Meters” (SLM) are certified instruments enforcement officers use to accurately measure sound. However, accurate SLMs can be bulky and expensive. In this technological society, almost everyone has some type of smart phone capable of installing applications (apps) that mimic SLMs. The purpose of this project was to determine the accuracy of phone SLM apps compared to real SLMs. Method: Three Android & three iOS SLM apps were downloaded from the internet and installed on two Android and one iOS smartphone. The sound source was computer generated white noise. A type 1 SLM was used to set the white noise to three different sound levels, 80db, 65 dB, & 50 dB. Each Android and iOS smartphone measured the white noise at each sound level utilizing the three different SLM apps. Results were analyzed between the different apps and smartphones. The MANOVA and ANOVA statistical tests were used to analyze the data. Results: All MANOVA and ANOVA tests showed statistically differences between the apps and the SLM (p=0.00000). The power for all MANOVA tests was 100%, therefore there is confidence that the findings reflect the truth and there really is a difference between the different applications, smartphones, and interaction of applications and smartphones. Therefore, the smartphone/app combination tested were not able to replicate the noise level as measured by the SLM. Conclusion: It can be concluded that any individual Android SLM application can have significantly different mean decibels values across different Android smartphones. Different Android smartphones can also have significantly different means decibels across different Android applications. Results for iOS smartphones can only indicate significant mean decibels across the different SLM applications. Therefore, it is not recommended that smartphones with sound level measuring apps be used in place of SLMs.
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 | 0,010 | 0,059 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,002 | 0,002 |
| Communication savante | 0,004 | 0,006 |
| Science ouverte | 0,003 | 0,003 |
| Intégrité de la recherche | 0,004 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,026 | 0,016 |
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 ».