Vše

Co hledáte?

Vše
Projekty
Výsledky výzkumu
Subjekty

Rychlé hledání

  • Projekty podpořené TA ČR
  • Významné projekty
  • Projekty s nejvyšší státní podporou
  • Aktuálně běžící projekty

Chytré vyhledávání

  • Takto najdu konkrétní +slovo
  • Takto z výsledků -slovo zcela vynechám
  • “Takto můžu najít celou frázi”

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