A comparative study of major clustering techniques for MAR learning usability prioritization processes
Identifikátory výsledku
Kód výsledku v IS VaVaI
<a href="https://www.isvavai.cz/riv?ss=detail&h=RIV%2F62690094%3A18450%2F20%3A50017206" target="_blank" >RIV/62690094:18450/20:50017206 - isvavai.cz</a>
Výsledek na webu
<a href="http://dx.doi.org/10.3233/FAIA200577" target="_blank" >http://dx.doi.org/10.3233/FAIA200577</a>
DOI - Digital Object Identifier
<a href="http://dx.doi.org/10.3233/FAIA200577" target="_blank" >10.3233/FAIA200577</a>
Alternativní jazyky
Jazyk výsledku
angličtina
Název v původním jazyce
A comparative study of major clustering techniques for MAR learning usability prioritization processes
Popis výsledku v původním jazyce
This paper presents and discusses a comparative study of three major clustering categories namely Hierarchical-based, Iterative mode-based and Partition-based in analyzing and prioritizing Mobile Augmented reality (MAR) Learning (MAR-learning) usability data. This paper first discusses the related works in usability and clustering before moving on to the identification of gaps that can be addressed through experimentation. This paper will then propose a research methodology to measure four common clustering techniques on MAR-learning usability data. The paper will then discourse comparative results showing how Mini-batch K-means to be an ideal technique within the experimental setup. The paper will then present important research highlights, discussion, conclusion and future works. © 2020 The authors and IOS Press. All rights reserved.
Název v anglickém jazyce
A comparative study of major clustering techniques for MAR learning usability prioritization processes
Popis výsledku anglicky
This paper presents and discusses a comparative study of three major clustering categories namely Hierarchical-based, Iterative mode-based and Partition-based in analyzing and prioritizing Mobile Augmented reality (MAR) Learning (MAR-learning) usability data. This paper first discusses the related works in usability and clustering before moving on to the identification of gaps that can be addressed through experimentation. This paper will then propose a research methodology to measure four common clustering techniques on MAR-learning usability data. The paper will then discourse comparative results showing how Mini-batch K-means to be an ideal technique within the experimental setup. The paper will then present important research highlights, discussion, conclusion and future works. © 2020 The authors and IOS Press. All rights reserved.
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
2020
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
Frontiers in Artificial Intelligence and Applications
ISBN
978-1-64368-114-6
ISSN
0922-6389
e-ISSN
—
Počet stran výsledku
13
Strana od-do
317-329
Název nakladatele
IOS Press BV
Místo vydání
Amsterdam
Místo konání akce
Japonsko
Datum konání akce
22. 10. 2020
Typ akce podle státní příslušnosti
WRD - Celosvětová akce
Kód UT WoS článku
—