Piirroshahmon liikkumisen periaatteet animaatiossa
Bibliographic record
Abstract
Piirrosanimaatioita on tuotettu yli sata vuotta ja alusta alkaen hahmojen liikkeet on yritetty toteuttaa mahdollisimman luonnollisesti. Vaikka piirrosanimaatioiden hahmoihin vaikuttavat voiman ja liikkeen lait ovat usein liioiteltuja, ovat niiden perusperiaatteet samat kuin oikeassa elämässäkin. Nykyaikana tietotekniikan mahdollisuudet ovat tehneet hahmojen liikkeistä entistä luonnollisempia ja entistä helpompia toteuttaa. \nTässä työssä tutkitaan sääntöjä, jotka määräävät, miten piirrosanimaatiohahmo liikkuu mahdollisimman luonnollisesti. Työssä paneudutaan fysiikan lakeihin ja ihmisen perusliikkeisiin, jotka on otettava olennaisesti huomioon myös animaation maailmassa. Tutkimus keskittyy kaksiulotteisten ja yksinkertaisten hahmojen perusliikkeisiin. Tarkoituksena on selvittää perussäännöt ja lainalaisuudet, jotka säätelevät animaatiohahmon liikkeiden fysiikkaa. Tutkielman tuloksena on selvinnyt joukko animaation tärkeimpiä sääntöjä. \nTutkielman tieto on kerätty useiden animaatioammattilaisten kirjallisista teoksista ja videokursseista Internetistä. Työn produktiivisessa osiossa käsitellään Haminan Lahjaputiikille suunniteltua animaatiota, jossa piirroshahmolle toteutetaan mahdollisimman luonteva kävelytyyli. Tässä osiossa sovelletaan olennaisesti tutkielmassa selvinneitä animaation sääntöjä ja käydään myös hieman läpi animaation teknistä toteutusta. Produktiivisen osion kuvausta ei ole tarkoitettu ohjelmien käyttöoppaaksi, joten teknisen toteutuksen tarkka ymmärtäminen vaatii perusteiden tietämystä työssä käytetyistä ohjelmista.
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame machine prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. The Gemma side is a direct model label for every work in the frame, read from the title-only record. The Codex side is a classifier learned from the 10,348 direct Codex labels and calibrated to design-weighted sample rates; fields without enough sample support carry no Codex call. Candidate is the union of the two sides; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels.
Distilled classifier scores by category (both heads)
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.001 | 0.001 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.003 | 0.002 |
| Scholarly communication | 0.006 | 0.003 |
| Open science | 0.001 | 0.005 |
| Research integrity | 0.002 | 0.002 |
| Insufficient payload (model declined to judge) | 0.140 | 0.054 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; a candidate call from one source (direct Gemma or distilled Codex), not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".