scholarly journals Europa Universalis IV and Deep Learning: Historical Accuracy, Counterfactuals and Historical Themes

Loading ◽  
2022 ◽  
Vol 14 (24) ◽  
pp. 26-47
Author(s):  
Rhett Loban

This article examines issues encountered with Europa Universalis IV (EUIV) in terms of teaching history in adult learning. The article identifies the educational limitations of the game, as well as the types of history that can be learnt from it. The data collected from participant responses is examined in terms of an ongoing concern regarding the balancing of historical accuracy and gameplay in EUIV. In this discussion about balance, participants raise common concerns about the historical abstraction, historical misinformation and counterfactual elements within EUIV. Nonetheless, the article argues that despite these ahistorical elements, EUIV can still potentially portray many of history’s larger trends and influences. Given the portrayal of these trends in-game, the article examines the pedagogical utility of the game in terms of narrative engagements with history and the promotion of deeper forms of learning.

1973 ◽  
Vol 37 (8) ◽  
pp. 27-31
Author(s):  
HA Brody ◽  
LF Lucaccini ◽  
M Kamp ◽  
R Rozen

Author(s):  
Stellan Ohlsson
Keyword(s):  

1982 ◽  
Vol 27 (6) ◽  
pp. 475-476
Author(s):  
Robert J. Matthews

2019 ◽  
Vol 53 (3) ◽  
pp. 281-294
Author(s):  
Jean-Michel Foucart ◽  
Augustin Chavanne ◽  
Jérôme Bourriau

Nombreux sont les apports envisagés de l’Intelligence Artificielle (IA) en médecine. En orthodontie, plusieurs solutions automatisées sont disponibles depuis quelques années en imagerie par rayons X (analyse céphalométrique automatisée, analyse automatisée des voies aériennes) ou depuis quelques mois (analyse automatique des modèles numériques, set-up automatisé; CS Model +, Carestream Dental™). L’objectif de cette étude, en deux parties, est d’évaluer la fiabilité de l’analyse automatisée des modèles tant au niveau de leur numérisation que de leur segmentation. La comparaison des résultats d’analyse des modèles obtenus automatiquement et par l’intermédiaire de plusieurs orthodontistes démontre la fiabilité de l’analyse automatique; l’erreur de mesure oscillant, in fine, entre 0,08 et 1,04 mm, ce qui est non significatif et comparable avec les erreurs de mesures inter-observateurs rapportées dans la littérature. Ces résultats ouvrent ainsi de nouvelles perspectives quand à l’apport de l’IA en Orthodontie qui, basée sur le deep learning et le big data, devrait permettre, à moyen terme, d’évoluer vers une orthodontie plus préventive et plus prédictive.


Sign in / Sign up

Export Citation Format

Share Document