LiveDescribe: Can Amateur Describers Create High-Quality Audio Description?
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
Introduction The study presented here evaluated the usability of the audio description software LiveDescribe and explored the acceptance rates of audio description created by amateur describers who used LiveDescribe to facilitate the creation of their descriptions. Methods Twelve amateur describers with little or no previous experience with audio description used the software LiveDescribe to describe a single episode of a 20-minute comedy show. Seventy-five reviewers who were blind, had low vision, or were sighted then rated the descriptions using a number of criteria, including overall quality and entertainment value. Results LiveDescribe was found to be easy to use and useful. Three of the 12 describers produced descriptions that were rated as of good overall quality, 6 produced descriptions that were rated as of medium quality, and 3 produced descriptions that were rated as of poor quality. Discussion These findings indicate that amateur description is feasible even with minimal training in either description itself or LiveDescribe. Audiences’ preferences for description seem to be based on various characteristics of describers, such as the describers’ vernacular and tone of voice and the length and timing of the descriptions. Implications for practitioners If amateur description is indeed feasible, the quantity of audio descriptions that are available to the general public could be increased significantly. A great deal of informal description is already created by families and friends of individuals who are visually impaired through the “whisper method.” If this description process could be captured and formalized through a tool such as LiveDescribe and shared through the Internet, many more descriptions could be made available.
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 | 0,002 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 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 | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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