Personalized Legibility of an Indoor Environment for People with Motor Disabilities: A New Framework
Notice bibliographique
Résumé
A mental map refers to the personalized representation of spatial knowledge in the human brain and is based on the perceptions, experiences, and interactions of people with their environment. For people with motor disabilities (PWMD) some perceptions and interactions with the environment during their mobility occur in different ways and consequently lead to different mental maps. For example, these people perceive and interact differently with elevators, escalators, and steps during their mobility. Hence, their perceptions of the level of complexity and the legibility of an environment may be different. Legibility of an environment is an indicator that measures the level of complexity and the ease of understanding of that environment by a person. In the literature, legibility is mostly estimated based on the environmental factors such as visibility, connectivity, and layout complexity for a given space. However, the role of personal factors (e.g., capacities) is rarely considered in the legibility assessment, which complicates its personalization. This paper aims at studying the influence of personal factors on the evaluation of the legibility of indoor environments for PWMD. In addition to the visibility, the connectivity, and the complexity of indoor environments, we also integrate the influence of the level of accessibility (i.e., presence of facilitators and obstacles) in the legibility assessment process. The Quebec City Convention Centre is selected as our study area and the legibility of this building is quantified. We show how the integration of the above-mentioned factors can influence the legibility for PWMD and hence their mobility performance in those environments.
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 | 0,000 | 0,002 |
| 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 | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,003 |
| Science ouverte | 0,000 | 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 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 ».