XVCollab: An Immersive Analytics Tool for Asymmetric Collaboration across the Virtuality Spectrum
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Research has shown that when a group of people collaborate in decision-making scenarios, they can be more effective than when they work alone. Studies also show that in a data analytics context, using immersive technologies could make users perform better in data understanding, pattern recognition, and finding connections. In this work, we are leveraging previous knowledge in Collaborative Immersive Analytics (CIA) and Cross-virtuality Analytics (XVA) to develop an asymmetric system that enables two groups from different places on the Virtuality-Reality spectrum to simultaneously work on analyzing data. We divide users into two groups: the nonimmersive desktop group and the immersive AR group. These two groups can both author and modify visualizations in their virtuality and share it with the other group when they see fit. For this, we designed a seamless interface for both groups to transform a visualization from non-immersive 2D to immersive AR and vice-versa. We also provide multiple awareness cues in the system that keep either group aware of the other and their actions. We designed these features to boost user performance and ease of use in a collaborative setting and incentivize them to rely on the other group for visualization tasks that are difficult to perform on their end of the virtuality spectrum. Our limited pilot study shows that users find the system engaging, easy to use, and helpful in their data-understanding journey within a collaborative context. Going forward, we plan to conduct more rigorous studies to verify our claims and explore other research questions on this topic.
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.
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 | 0,003 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,002 |
| Études des sciences et des technologies | 0,002 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,002 | 0,001 |
| 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 découle