Analysis of the Effect of QoS on Video Conferencing QoE
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
Network service providers tend to focus on the quality of service (QoS) they provide to their customers. This entails analysis of various QoS metrics (such as bandwidth, packet loss and jitter) in order to be able to improve their services. This is a single-dimensional approach to a problem that needs to be analyzed not only from a business improvement perspective but also from a customer satisfaction perspective. QoS metrics do not directly translate to customer experience, which is more qualitative than quantitative. Thus, it is necessary to correlate qualitative metrics that customers relate to with quantitative metrics that can be analyzed and improved upon by service providers. This is a non-trivial problem that needs deeper exploration. In this paper, we attempt to correlate video conferencing QoE (Quality of Experience) with network QoS. In order to do this, we developed a novel Docker image called Lime, to be able to automate the experiments and emulate the network environment. We performed 144 separate video conferences under predefined network handicaps (scenarios). We discovered that bandwidth is directly proportional to the perceived quality of the video implying that higher bandwidth is preferred. On the other hand, frequently fluctuating bandwidth quickly reduced the user-opinion, and also resulted in slower subsequent climb in opinion after a period of high fluctuation. This indicated that steady bandwidth is preferred over irregularly increasing bandwidth. Jitter and packet loss were found to contribute to negative user-opinion as well as low bandwidth. Conversely, increasing jitter and packet loss was mostly forgiven if the bandwidth stayed stable and high. Lime is shown to be a novel tool to fulfill requirements related to video conferencing experiments under pre-defined network scenarios.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| 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 découle