Using Serious Games in Virtual Reality for Automated Close Call and Contact Collision Analysis in Construction Safety
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Using Serious Games in Virtual Reality for Automated Close Call and Contact Collision Analysis in Construction Safety Olga Golovina, Caner Kazanci, Jochen Teizer and Markus König Pages 967-974 (2019 Proceedings of the 36th ISARC, Banff, Canada, ISBN 978-952-69524-0-6, ISSN 2413-5844) Abstract: Injuries and fatalities resulting from workplace accidents remain a global concern within the construction industry. While education and training of personnel offer well known approaches for establishing a safe work environment, Serious Games in Virtual Reality (VR) is being increasingly investigated as a complementary approach for learning. They yet have to take full advantage of the inherent data that can be collected about players. This research presents a novel approach for the automated assessment of players data. The proposed method gathers and processes the data within a serious game for instant personalized feedback. The application focuses on close calls and contact collisions between construction workers and hazards like equipment, harmful substances, or restricted work zones. The results demonstrate the benefits and limitations of safety information previously unavailable, or very hard or impossible to collect. An outlook presents work ahead for practical implementation in existing risk management processes. Keywords: accident investigation; close call; construction safety; equipment contact collisions; hazard; human-hazard interaction; risk prevention; serious game; situational awareness; virtual reality; workforce education; training DOI: https://doi.org/10.22260/ISARC2019/0129 Download fulltext Download BibTex Download Endnote (RIS) TeX Import to Mendeley
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,002 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle