Notice bibliographique
Résumé
This Zenodo repository contains objective evaluation results for all test-set motion submitted by teams participating in the GENEA Challenge 2022. We caution the user that objective metrics are known to have poor correlation with actual, perceived motion quality. For definitions and explanations of the "Average jerk magnitude", "Average acceleration magnitude", and "Average Hellinger distance", please see the paper "Moving fast and slow: Analysis of representations and post-processing in speech-driven automatic gesture generation" by Kucherenko et al., published in the International Journal of Human–Computer Interaction in 2021. For a definition and explanation of the "Canonical correlation analysis (CCA) coefficient", see the paper "Speech-driven animation with meaningful behaviors" by Sadoughi and Busso, published in Speech Communication in 2019. Code for computing these objective metrics is available through the challenge webpage. Attribution: If you use this material, please cite our latest paper on the GENEA Challenge 2022. At the time of writing (2022-08-10) this is our ACM ICMI 2022 paper: Youngwoo Yoon, Pieter Wolfert, Taras Kucherenko, Carla Viegas, Teodor Nikolov, Mihail Tsakov, and Gustav Eje Henter. 2022. The GENEA Challenge 2022: A large evaluation of data-driven co-speech gesture generation. In Proceedings of the ACM International Conference on Multimodal Interaction (ICMI '22). ACM. You can find the latest information and a BibTeX file on the project website: https://youngwoo-yoon.github.io/GENEAchallenge2022/ The material is available under a CC BY 4.0 international license, with the text provided in LICENSE.txt. To find more GENEA Challenge 2022 material on the web, please see: * https://youngwoo-yoon.github.io/GENEAchallenge2022/ * https://genea-workshop.github.io/2022/challenge/ If you have any questions or comments, please contact: * The GENEA Challenge & Workshop organisers
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 | 0,009 | 0,024 |
| Méta-épidémiologie (sens strict) | 0,004 | 0,001 |
| Méta-épidémiologie (sens large) | 0,002 | 0,002 |
| Bibliométrie | 0,004 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,003 | 0,003 |
| Science ouverte | 0,004 | 0,004 |
| Intégrité de la recherche | 0,003 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,051 | 0,057 |
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 ».