Feasibility Comparison of HAC Algorithm on Usability Performance and Self-Reported Metric Features for MAR Learning
Identifikátory výsledku
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>
Alternativní jazyky
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.
Klasifikace
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)
Návaznosti výsledku
Projekt
—
Návaznosti
S - Specificky vyzkum na vysokych skolach
Ostatní
Rok uplatnění
2018
Kód důvěrnosti údajů
S - Úplné a pravdivé údaje o projektu nepodléhají ochraně podle zvláštních právních předpisů
Údaje specifické pro druh výsledku
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