MétaCan
Menu
Retour à la cohorte
Enregistrement W4200581543 · doi:10.18280/acsm.450509

Environmental Function Evaluation and Preparation of Green Decorative Materials in Indoor Design

2021· article· en· W4200581543 sur OpenAlexvenueno aff
Jing Liang

Notice bibliographique

RevueAnnales de Chimie Science des Matériaux · 2021
Typearticle
Langueen
DomaineComputer Science
ThématiqueDigital Media and Visual Art
Établissements canadiensnon disponible
Organismes subventionnairesnon disponible
Mots-clésSustainable designFunction (biology)Architectural engineeringComputer scienceFuzzy logicEnvironmental scienceEngineeringSustainabilityArtificial intelligence

Résumé

récupéré en direct d'OpenAlex

With the growing environmental awareness, there is a rising demand for green decorative materials in furniture and indoor design. However, the existing studies lack the overall evaluation of environmental functions for green decorative materials in indoor design. To make up for the gap, this paper evaluates the environmental function and explores the preparation method of green decorative materials in indoor design. Firstly, the types and purchase principles of green decorative materials were expounded, and the preparation flow of wood product coating was given for green decorative materials in indoor design. Then, an evaluation model was established for the environmental functions of green decorative materials, the stochastic dominance matrix was constructed for the indices, and the order value of each index was computed. Finally, fuzzy Dempster–Shafer (D-S) evidence theory was adopted to develop a prediction algorithm for the environmental function of indoor decorations, and thus realize the evaluation of the greenness of decorative materials in indoor design. Experimental results demonstrate the effectiveness of our algorithm, and the good performance of the prepared super-hydrophobic and oleophobic coatings.

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)0,001
score de la tête « metaresearch » (Gemma)0,002
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Sans objet · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: aucune
Score de désaccord entre enseignants0,002
Score d'incertitude au seuil0,007

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0010,002
Méta-épidémiologie (sens strict)0,0010,000
Méta-épidémiologie (sens large)0,0010,001
Bibliométrie0,0020,001
Études des sciences et des technologies0,0000,000
Communication savante0,0010,001
Science ouverte0,0000,001
Intégrité de la recherche0,0010,000
Charge utile insuffisante (le modèle a refusé de juger)0,0010,000

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 Opus0,059
Tête enseignante GPT0,327
Écart entre enseignants0,268 · 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'étudeSans objet
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

Citations2
Publié2021
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueAnnales de Chimie Science des MatériauxMême sujetDigital Media and Visual ArtTravaux en français237 207