A Socially Assistive Robot to Help With Getting Dressed
Notice bibliographique
Résumé
Getting dressed is a universally performed daily activity, and has a substantial impact on a person’s well-being. Choosing appropriate outfits to wear is important, as clothes protect a person from elements in the environment, and act as a barrier against harsh surfaces [1]. Studies have shown strong correlation between clothing choices and perceptions of sociability, emotional stability, and impression formation (e.g., [2]). This activity, however, can be difficult for some individuals, as they may lack the required reasoning and judgement required [3]. They include children with intellectual and learning disabilities [4] (e.g., Down syndrome [5], dyspraxia [6], autism spectrum disorder [7]), and older adults suffering from dementia including Alzheimer’s disease [8,9], or HIV-associated neurocognitive disorders [10]. In this paper, we present the development of a novel autonomous robotic clothing recommendation system to provide appropriate clothing options, which are personalized to a user’s wardrobe. This research expands on our previous work on socially assistive robots providing assistance with other daily activities, including meal eating [11] and playing Bingo games [12]. Currently, a few smartphone applications exist for providing outfit choices (e.g., [13,14]); however, unlike our proposed system, they are fashion-focused and not able to adapt online to a user’s preferences. Furthermore, by utilizing a socially assistive robot, we provide a more engaging interaction. We utilize the small Nao social robot, Leia, to guide and interact with a user in order to obtain information regarding his/her preferences, the activity for which the clothing will be worn, as well as the environment in which the activity will take place in order to make outfit recommendations, Fig. 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 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 | 0,001 | 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 | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,004 | 0,001 |
| 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 ».