Notice bibliographique
Résumé
Purpose This paper aims to examine how metadata taxonomies in embodied computing databases indicate context (e.g. a marketing context or an ethical context) and describe ways to track the evolution of the embodied computing industry over time through digital media archiving. Design/methodology/approach The authors compare the metadata taxonomies of two embodied computing databases by providing a narrative of their top-level categories. After identifying these categories, they describe how they structure the databases around specific themes. Findings The growing wearables market often hides complex sociotechnical tradeoffs. Marketing products like Vandrico Inc.’s Wearables Database frame wearables as business solutions without conveying information about the various concessions users make (about giving up their data, for example). Potential solutions to this problem include enhancing embodied computing literacy through the construction of databases that track media about embodied computing technologies using customized metadata categories. Databases such as FABRIC contain multimedia related to the emerging embodied computing market – including patents, interviews, promotional videos and news articles – and can be archived through user-curated collections and tagged according to specific themes (privacy, policing, labor, etc.). One of the benefits of this approach is that users can use the rich metadata fields to search for terms and create curated collections that focus on tradeoffs related to embodied computing technologies. Originality/value This paper describes the importance of metadata for framing the orientation of embodied computing databases and describes one of the first attempts to comprehensively track the evolution of embodied computing technologies, their developers and their diverse applications in various social contexts through media archiving.
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 | 0,002 | 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 | 0,003 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 ».