MétaCan
Menu
← Retour à la cohorte
Enregistrement W7162265306

Aircraft cabin design and passenger comfort: factors to consider in improving passengers’ experience

2020· other· en· W7162265306 sur OpenAlexvenueno aff
Natalia Cooper, Shelley Kelsey, Alexandra Thompson

Notice bibliographique

RevueNPARC · 2020
Typeother
Langueen
Domaine
Thématique
Établissements canadiensnon disponible
Organismes subventionnairesnon disponible
Mots-clésUsabilityOrder (exchange)Key (lock)AffordanceAir travelEmerging technologiesBusiness environmentInstitution
DOInon disponible

Résumé

récupéré en direct d'OpenAlex

Improving passenger experience remains a key business imperative not only for airports but also for airlines and aircraft manufacturers. In order to stay current in a competitive market, many organisations are looking for new ways to attract passengers to their business, by offering improved comfort and satisfaction, as well as a seamless travel experience - a tailored and personalised journey for each passenger. Scientific research has identified factors that need to be considered when promising such affordances to passengers. The sense of control, privacy, and safety belong amongst the most important factors for customer satisfaction. Cabin environmental conditions and access to technological features while traveling were also identified to support the passengers’ overall experience. Investigating the effectiveness of innovative technologies in a real aircraft environment presents many challenges. A new state–of-the-art facility at the author’s institution enables the simulation of the air travel experience from arrival at the airport, through security screening, departure lounge waiting, boarding, and travelling in a realistic aircraft cabin. Research in this facility draws on staff from across research centres with expertise in human factors, human physiology, aircraft engineering, and aviation. The facility enables the simulation in an ecologically valid environment where the passengers’ experience while traveling in an aircraft can be accurately investigated. Using various novel seat configurations and technologies within the cabin, we have examined how people interact with their seating environment and to what extent its features influence their comfort and satisfaction. Using advanced objective and subjective research methods enables informed decision-making processes that promise to improve the usability of novel technologies. The ability to investigate the interactions between people and their environment in realistic yet controlled experimental settings enables us to develop strategies and provide answers to emerging questions regarding a seamless travel experience that can be applied in real-world settings.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,001
score de la tête « metaresearch » (Gemma)0,004
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Sans objet · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,007
Score d'incertitude au seuil0,017

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0010,004
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0010,001
Communication savante0,0030,001
Science ouverte0,0000,001
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0050,000

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.

Tête enseignante Opus0,039
Tête enseignante GPT0,280
Écart entre enseignants0,240 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeSans objet
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations0
Publié2020
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueNPARC→Travaux en français237 207→