RAIMA: a Framework for the Design and Analysis of Self-Adaptive Egocentric Social Networks
Notice bibliographique
Résumé
An emerging research area in pervasive computing is the inference of social context in order to facilitate and mediate communications among collocated people. Understanding users' needs through information reasoning and leveraging principles of social networks plays an important role in the emergence of innovative computer-mediated social networks. This thesis introduces a generic social networking framework for the design, analysis and visualization of opportunistic social networks. The proposed framework is capable of analyzing social similarities in order to provide decision support to users in the form of ego-centric social graphs. Using opportunistic data networks, a distributed inference model is introduced to provide multi-criteria attribute matching in an ad hoc computing environment. Enhancing communications protocols to deal with real-time analysis of dynamic data, generation of spontaneous semantics, and introducing efficient social visualization techniques are salient goals of this research. Efficient pattern matching algorithms in mobile ad hoc networks can have significant benefits in generating real-time context and eliminate the need for a centralized arbiter. In our research, we demonstrate a generic and customizable software architecture for achieving efficient pattern matching in mobile ad hoc networks. In this research we present a novel design for the development of a generic matching engine that is customizable to changing social scenarios. We show how customizable semantics can play an important role in decision-making, selection of a desired attribute, and notifying users with messages in a volatile mobile network.
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 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| 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 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| 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 ».