The practicality of using a smartphone as a sound level meter
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

 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.
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 | 0,007 | 0,001 |
| 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 | 0,008 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 découle