Notice bibliographique
Résumé
Presented is an implementation of a time sychronous middleware for Python ACT-R and the open-source robotics simulator, MORSE (Echeverria et al., 2012;Echeverria, Lassabe, Degroote, & Lemaignan, 2011), a novel vision system, and novel motor system, which I collectively call ACT-R 3D.A new 3D camera and a crude body-model robot was added to the MORSE system to facilitate modeling of afforance-based research on aperture passage (walking through apertures and rotating shoulders as needed).Presented as a proof of concept are three affordance models based in ACT-R.The models tests a novel theory, the Theory of Geometric Affordances, that proposes that humans make geometric comparisons between apertures (depth, width, height) and stored representations of body postures (body schema).Both models are individually qualitatively compared against human performance for overall shoulder rotation while walking through apertures of various widths (Warren & Whang, 1987;Higuchi, Seya, & Imanaka, 2012) and overall safety margin while passing through apertures (Higuchi et al., 2012).The second model (Model 2) shows the best performance, with the same model exhibiting rotation similar to human performance across both experiments.Model 2 supports the conclusion that an abstract geometric comparison mechanism is sufficient to support aperture passage judgment without the use of semantically-laden labels.This is the first known affordance model, modeled in a computational cognitive architecture, to match preliminary human performance data.
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 | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,002 | 0,001 |
| Science ouverte | 0,002 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,012 | 0,002 |
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 ».