Développement d'une application mobile adaptée à la navigation des personnes à mobilité réduite
Bibliographic record
Abstract
Actuellement, l'usage d'un système d'aide à la navigation est devenu de plus en plus indispensable dans la vie quotidienne. Cependant, les systèmes existants ne sont pas adaptés à la navigation des personnes à mobilité réduite (PMR) utilisatrices d'un fauteuil roulant. De nombreux projets ont été créés, comme Wegoto en France ou Route4U en Hongrie. Au Canada, le projet multidisciplinaire MobiliSIG a été lancé en 2013. Ce projet vise à concevoir et développer des technologies géospatiales de navigation selon les principes de la conception cognitive pour assister les PMR dans leurs déplacements quotidiens et leur accès à l'environnement. L'objectif global du présent projet est la conception d'un système mobile de planification de trajet et de guidage pendant la navigation, multimodal et adapté aux différents profils de personnes à mobilité réduite utilisatrices de fauteuil roulant. Pour commencer, nous avons passé en revue la littérature relative aux concepts liés à notre problématique. Ensuite, nous avons proposé une approche d'aide à la navigation qui combine des éléments de guidage pas à pas avec des informations sur des repères ainsi que de différents éléments pertinents (points d'intérêts, obstacles/facilitateurs, ...) pour la description d'un trajet personnalisé et adapté au profil des PMR. Finalement, en nous appuyant sur les principes de la conception modulaire et sur le concept des applications mobiles riches (AMR), nous avons conçu et développé une solution mobile composée de trois modules : un module profil pour gérer le profil et les préférences de l'utilisateur, un module de planification qui gère la planification adaptée des itinéraires et un module de navigation pour fournir un guidage multimodal (visuel, vocal et haptique) pendant la navigation en tenant compte de profil de l'utilisateur.
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 | 0.002 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.001 | 0.000 |
| Scholarly communication | 0.002 | 0.002 |
| Open science | 0.001 | 0.002 |
| Research integrity | 0.002 | 0.001 |
| Insufficient payload (model declined to judge) | 0.009 | 0.005 |
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".