Notice bibliographique
Résumé
Augmented reality (AR) harbors an ocularcentric bias toward visual augmented reality (VAR), at the expense of auditory augmented reality (AAR). The latter is more readily available, technologically simpler and lower cost, with great potential for improving human well-being, what we call AAR for Well-being (AAR4W). In our chapter, we discuss the history of AR from this perspective, then present several AAR4W projects, each extending reality with acousmatic sound, as informed, in varying proportions, by disciplines of sound art, electroacoustic composition, ethnomusicology, and health sciences, including context, technical descriptions, experience, and future implications. Each is designed to enhance well-being using soundscapes, which we define as steady-state, nonperiodic sound, primarily admixtures of natural, musical, and synthetic sounds. Soundscapes offer enormous potential to alter mood and promote mental health, while remaining subliminal. Our projects are designed to support reflection, meditation, relaxation, and focus, with explicit intentions ranging among aesthetic priorities of sound artists, multicultural educational priorities of ethnomusicologists, and therapeutic priorities of health care providers. We consider soundscapes an ideal AR vehicle for well-being, as they naturally blend seamlessly with the real world, mixing harmoniously with each other, requiring minimal technological intervention or cost, and fading non-distractively into the perceptual background, unlike VAR presentation of visual information, which tends to be perceptually and cognitively disruptive.
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 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,003 |
| Communication savante | 0,008 | 0,004 |
| Science ouverte | 0,001 | 0,005 |
| Intégrité de la recherche | 0,002 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,021 | 0,003 |
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.
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 ».