MétaCan
Menu
Retour à la cohorte
Enregistrement W2973695604 · doi:10.32370/ia_2019_09_17

Technological and Compositional Features of the Interaction of Light Coatings with the Built Environment

2019· article· en· W2973695604 sur OpenAlexvenueno aff
Lidiya Koval

Notice bibliographique

RevueIntellectual Archive · 2019
Typearticle
Langueen
DomaineEnvironmental Science
ThématiqueScientific Research and Studies
Établissements canadiensnon disponible
Organismes subventionnairesnon disponible
Mots-clésSilhouetteContrast (vision)Computer scienceMaterial propertiesPerceptionMaterials scienceArtificial intelligencePsychology

Résumé

récupéré en direct d'OpenAlex

Today, in the design of the built environment the number of examples of using light materials and coatings is increasing. There are several types of materials that have completely different technological principles of action as the basis of their luminous properties but produce the same visual effect. Accordingly, this circumstance requires the differentiation of light coatings, depending on their technological features, followed by their combination into a single group in the analysis of the compositional features of the interaction of such coatings with the built environment. In the process of research it was found that technological features of the interaction of light coatings with the built environment consist in detecting their luminous properties when using radiation of different ranges of the optical spectrumultraviolet or visible. In this case, in both instances of interaction with the built environment, the following features of the visual composition are observed: increased contrast and color saturation; silhouette of composition elements; visual smoothing of gradual tone transitions; lack of influence of air perspective on color perception; visual perception of perspective due to physically moving objects further or with the help of the dimensional proportions of composition elements.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,001
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,003
Score d'incertitude au seuil0,010

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0000,001
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0020,001
Études des sciences et des technologies0,0000,001
Communication savante0,0010,001
Science ouverte0,0000,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0030,000

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.

Tête enseignante Opus0,010
Tête enseignante GPT0,221
Écart entre enseignants0,211 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeObservationnel
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations0
Publié2019
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueIntellectual ArchiveMême sujetScientific Research and StudiesTravaux en français237 207