Improving accessibility for pederstrians with geographic information
Notice bibliographique
Résumé
Osajulkaisut: Publication 1: Mari Laakso, Tapani Sarjakoski, and L. Tiina Sarjakoski. 2011. Improving accessibility information in pedestrian maps and databases. Cartographica, volume 46, number 2, pages 101-108. University of Toronto. DOI:10.3138/carto.46.2.101 Publication 2: L. Tiina Sarjakoski, Pyry Kettunen, Hanna-Marika Flink, Mari Laakso, Mikko Rönneberg, and Tapani Sarjakoski. 2012. Analysis of verbal route descriptions and landmarks for hiking. Personal and Ubiquitous Computing, volume 16, number 8, pages 1001-1011. DOI:10.1007/s00779-011-0460-7 Publication 3: Mari Laakso, Tapani Sarjakoski, Lassi Lehto, and L. Tiina Sarjakoski. 2013. An information model for pedestrian routing and navigation databases supporting universal accessibility. Cartographica, volume 48, number 2, pages 89-99. University of Toronto. DOI:10.3138/carto.48.2.1837 Publication 4: Mari Laakso and L. Tiina Sarjakoski. 2010. Sonic maps for hiking—Use of sound in enhancing the map use experience. The Cartographic Journal, volume 47, number 4, pages 300-307. DOI:10.1179/000870410X12911298276237 Publication 5: Mari Laakso, Hanna-Marika Halkosaari, Tapani Sarjakoski, and L. Tiina Sarjakoski. 2013. User experiences with voice-based descriptive map content in a hiking context. In: Thomas Jekel, Adrijana Car, Josef Strobl, and Gerald Griesebner (editors). Creating the GISociety. Proceedings of the GI_Forum 2013 Conference. Salzburg, Austria. 2-5 July 2013. Berlin / Offenbach, Germany. Herbert Wichmann Verlag, VDE Verlag. Pages 49-58. ISBN 978-3-87907-532-4. DOI:10.1553/giscience2013s49
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 | 0,002 | 0,025 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,004 | 0,006 |
| Études des sciences et des technologies | 0,002 | 0,001 |
| Communication savante | 0,005 | 0,008 |
| Science ouverte | 0,003 | 0,004 |
| Intégrité de la recherche | 0,002 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,163 | 0,065 |
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 ».