Notice bibliographique
Résumé
The inaccessibility of rulebooks hinders the rule learning experience of boardgame players who are blind or low vision (BLV).We explore the design of conversational agents (CAs) to support players' learning needs and provide companionship by conducting two qualitative studies.In study 1, 14 boardgame players who are BLV first identified their rule learning challenges and co-designed desired social and functional characteristics of CAs to combat these challenges.Based on these findings, we developed a CA using Amazon Alexa and 9 players who are BLV evaluated our CA in study 2. Our findings generated five design principles for CAs to support boardgame rule learning: conciseness, ease of navigation, customization, supplementary features, and social characteristics.These principles guide designers and researchers in exploring the novel design space.Our research also demonstrates the feasibility of our method for conducting accessible remote co-design and evaluation with participants who are BLV.First and foremost, I would like to thank my supervisor Dr. Audrey Girouard, who took me under her guidance, taught me to trust my abilities, and gave me an opportunity to work on something I feel strongly passionate about.Without your guidance and trust, I would not be able to come this far.I would also like to thank everyone at the Creative Interactions Lab.I could not have asked for a better team who is always eager to help and contribute.In particular, I would like to thank Dr. Jin Kang for always having my back and supporting me in every way possible.Thank you for guiding me throughout this journey, cheering me up with your words of encouragement
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 enseignantsNi 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.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,006 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,002 | 0,001 |
| Communication savante | 0,003 | 0,002 |
| Science ouverte | 0,001 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,005 | 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 source (Gemma direct ou Codex distillé), 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 ».