A Multidisciplinary Approach to Enhancing Infantry Training through Immersive Technologies
Notice bibliographique
Résumé
There is a growing interest in the Canadian Army for using off-the-shelf computer games in training because of the interactivity and engagement they create for the trainees. Unfortunately, existing solutions do not always satisfy the aggregated training needs of infantry. In this paper, we briefly describe the challenges and shortcomings of both physical and virtual training systems, and the specific training needs identified through field studies in partnership with the Department of National Defence Canada. We then describe research solutions addressing these specific challenges, such as novel interaction methods in immersive environments, usable speech recognition, simulated weapons (laser rifles, electronic flashbang, etc.), flexible serious gaming platforms with intelligent agents and cognitive models, and mobile control interface for instructors. We also present the outcomes of field observations revealing what additions are required to improve learning scenarios for serious games. Within our research project we created a platform for developing and validating novel interaction methods, technologies, and devices that create mixed-reality immersive training systems that are safer, more cost efficient, and more effective for learning than physical environments or purely virtual reality systems. The immediate use of our mixed-reality system is in practicing engagement skills and training personnel in the rapid application of judgment and of rules of engagement and in the use of force. We conclude by describing the findings of human-subject evaluations conducted with an implementation of our research platform, presenting lessons from technology-specific feasibility, to educational/learning impact, and to human factors of interacting with an intelligent, immersive, training system. These findings provide encouraging evidence that such solutions will allow infantry, law enforcement, or public safety personnel to train using a virtual environment in a manner similar to training in a physical environment.
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) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 0,013 |
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; les deux têtes enseignantes s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».