Graphical Performance Software in Contexts: Explorations with Different Strokes
Notice bibliographique
Résumé
This thesis proposes a novel approach to musical software analysis that prescribes testing a given software interface in a wide variety of hardware contexts, each providing unique insights into its design. This work is situated in the general context of graphical software performance, which we define as musical performance through manipulating an on-screen software interface to create music. The analysis strategy is investigated using the Different Strokes (DS) performance environment as a specific example. A series of software extensions to DS were undertaken to extend the application to new hardware contexts and use cases. These include extensions for the use of Different Strokes in an interdisciplinary performance work, d_verse; the adaptation of DS to work on a large multi-touch surface; the integration of a force-feedback input device; and the integration of the libmapper framework, allowing it to be easily interconnected with alternative input and output devices. The thesis also presents a historical overview of graphical software intended for live use, and a background on general issues in interface design for this usage context. An exploratory user test was performed with the force-feedback setup where participants used DS in the presence of simulated physical forces. While there was no clear preference for any of the haptic effects, the different physical forces present are demonstrated to have gestural implications. These kinds of implications should be taken into account when designing mappings from gesture to sound, and in the overall interaction design.
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 distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,002 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
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 tête enseignante, 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 ».