Case Study on Mobile Virtual Reality Construction Training
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
Case Study on Mobile Virtual Reality Construction Training Mario Wolf, Jochen Teizer and J.H. Ruse Pages 1231-1237 (2019 Proceedings of the 36th ISARC, Banff, Canada, ISBN 978-952-69524-0-6, ISSN 2413-5844) Abstract: Recent surveys among construction firms found, a majority has a hard time filling craft worker/hourly positions and salaried jobs. Among the ways they are trying to create more is in-house training. However, existing learning methods have been lagging effectiveness or are outdated. New approaches, like mobile virtual reality, are being investigated. In this paper, the authors describe their approach to a low cost virtual reality training that offers personalized feedback for trainees or workers. The developed approach utilizes elements of gamification for motivational purposes. While the training requirements were gathered in dialogue with leading companies in the construction and engineering industry sectors, the research conducted focused on prototyping and testing the novel learning concept. As a result, the authors developed a mobile virtual reality application that utilizes the Google Daydream SDK that runs on Google Cardboard, Samsung Gear VR, Oculus Go or compatible other inexpensive devices. The application was tested and evaluated by industry representatives. An outlook provides the path forward in research and development. Keywords: digitalization; construction safety; personalized feedback; virtual reality; virtual trainings; workforce education and training DOI: https://doi.org/10.22260/ISARC2019/0165 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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| 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