MétaCan
Menu
Retour à la cohorte
Enregistrement W4380761005 · doi:10.52842/conf.caadria.2023.1.209

An Attention Economy Theme Park

2023· article· en· W4380761005 sur OpenAlexaff
Daniel F. Escobar, Carlos Navarro, Evangelia Papaspyrou

Notice bibliographique

RevueProceedings of the International Conference on Computer-Aided Architectural Design Research in Asia · 2023
Typearticle
Langueen
DomaineSocial Sciences
ThématiqueMedia, Gender, and Advertising
Établissements canadiensOntario Lung Association
Organismes subventionnairesnon disponible
Mots-clésTheme parkTheme (computing)Computer scienceEconomyEconomicsGeographyTourismWorld Wide WebArchaeology

Résumé

récupéré en direct d'OpenAlex

Planetary scale computation is evolving the way we digitize the physical urban space. The following research aims to provide an architectural response to the accelerating digitization of our physical world and societal life processes of economy and communications. It acknowledges the legitimate bias in the perceptual value of territories favored by the new Attention Economy of the Metaverse and Blockchain-based Virtual Environments. It proposes the analogy of a theme park derived from the distorted collective vision of today’s reality, of a reduced collection of favored attraction locations. The research provides first a review of contemporary studies related to the operation of the Attention Economy in the Metaverse, Web3 platforms, and Gamified Virtual Environments, as well as studies on recent architectural expressions or typologies of these spaces. A series of methodologies are described next to convey the impact of recent advances in Artificial Intelligence (AI) on the creation of digital personas and worldmaking for this type of economy. The methodologies comprise a three-stage workflow based on data mining and curation, processing through AI-aided generative methods, and implementation with game engine environments, ultimately discussed regarding simulation and creative agency.

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: Autre · Signal consensuel: Autre
Score de désaccord entre enseignants0,038
Score d'incertitude au seuil0,126

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0010,002
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0020,002
Études des sciences et des technologies0,0030,003
Communication savante0,0080,009
Science ouverte0,0010,005
Intégrité de la recherche0,0010,001
Charge utile insuffisante (le modèle a refusé de juger)0,0380,003

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 Opus0,252
Tête enseignante GPT0,427
Écart entre enseignants0,175 · 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
GenreAutre

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations0
Publié2023
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueProceedings of the International Conference on Computer-Aided Architectural Design Research in AsiaMême sujetMedia, Gender, and AdvertisingTravaux en français237 207