Notice bibliographique
Résumé
To quickly estimate the amount of attenuation provided by any given hearing protection device (HPD) on any given individual, a smartphone app has been developed. The app features an audio stimulus generator to generate loud tones over the smartphone (or tablet) embedded loudspeakers, a graphical user interface where the user can report the count of audio stimuli perceived, and an attenuation prediction algorithm able to estimate the overall attenuation of the HPD under test, only knowing its type. The proposed approach relies on a supra-threshold method where sequence of 1 kHz-centered narrowband stimuli are played in decreasing levels with steps of 5 dB. The user simply counts the number of tonal bursts perceived before stimuli become inaudible in two conditions: with open ears and with both ears occluded with the HPD. The two counts values are entered within the app to compute an estimate of the overall HPD attenuation. This estimate is computed using the “octave band method” as an C-A overall attenuation, that represents the average difference between the C-weighted overall sound pressure level and the A-weighted overall sound pressure level attenuated by the HPD. The measured attenuation values using REAT and using the tablet are compared for two types of earplugs: a roll-down foamplug and premoded earplug. They show that while the REAT values obtained at 1 kHz are poorly predicted, the overall REAT attenuation values are better predicted and that a polynomial regression model could possibly be built to predict with reasonable accuracy the overall attenuation of foamplugs -and many other types of HPDs- using only a tablet or smartphone generating 1 kHz tonal bursts.
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 | 0,001 | 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 | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,002 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,001 |
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 ».