Feasibility Comparison of HAC Algorithm on Usability Performance and Self-Reported Metric Features for MAR Learning

Kód výsledku v IS VaVaI

<a href="https://www.isvavai.cz/riv?ss=detail&h=RIV%2F62690094%3A18450%2F18%3A50015733" target="_blank" >RIV/62690094:18450/18:50015733 - isvavai.cz</a>

Výsledek na webu

<a href="http://dx.doi.org/10.3233/978-1-61499-900-3-896" target="_blank" >http://dx.doi.org/10.3233/978-1-61499-900-3-896</a>

DOI - Digital Object Identifier

<a href="http://dx.doi.org/10.3233/978-1-61499-900-3-896" target="_blank" >10.3233/978-1-61499-900-3-896</a>

Jazyk výsledku

angličtina

Název v původním jazyce

Feasibility Comparison of HAC Algorithm on Usability Performance and Self-Reported Metric Features for MAR Learning

Popis výsledku v původním jazyce

This paper highlights the current literatures in usability studies, performance metrics, self-reported metrics and hierarchical agglomerative clustering algorithms. A literature review is done in these three areas of studies to find a research gap that can be explored further. The paper will then propose a research methodology to study comparatively feature selection based on performance and self-reported usability data. This paper will highlight methods used to compare the feasibility and performance of hierarchical agglomerative clustering algorithms on both performance and self-reported data. The results of the experiment will then be presented and discussed before proceeding to the conclusion and future works of this study.

Název v anglickém jazyce

Feasibility Comparison of HAC Algorithm on Usability Performance and Self-Reported Metric Features for MAR Learning

Popis výsledku anglicky

This paper highlights the current literatures in usability studies, performance metrics, self-reported metrics and hierarchical agglomerative clustering algorithms. A literature review is done in these three areas of studies to find a research gap that can be explored further. The paper will then propose a research methodology to study comparatively feature selection based on performance and self-reported usability data. This paper will highlight methods used to compare the feasibility and performance of hierarchical agglomerative clustering algorithms on both performance and self-reported data. The results of the experiment will then be presented and discussed before proceeding to the conclusion and future works of this study.

Druh

D - Stať ve sborníku

CEP obor

—

OECD FORD obor

10201 - Computer sciences, information science, bioinformathics (hardware development to be 2.2, social aspect to be 5.8)

Projekt

—

Návaznosti

S - Specificky vyzkum na vysokych skolach

Rok uplatnění

2018

Kód důvěrnosti údajů

S - Úplné a pravdivé údaje o projektu nepodléhají ochraně podle zvláštních právních předpisů

Název statě ve sborníku

NEW TRENDS IN INTELLIGENT SOFTWARE METHODOLOGIES, TOOLS AND TECHNIQUES (SOMET_18)

ISBN

978-1-61499-900-3

ISSN

0922-6389

e-ISSN

1879-8314

Počet stran výsledku

15

Strana od-do

896-910

Název nakladatele

IOS PRESS

Místo vydání

AMSTERDAM

Místo konání akce

Granada

Datum konání akce

26. 9. 2018

Typ akce podle státní příslušnosti

WRD - Celosvětová akce

Kód UT WoS článku

000467457200070