MétaCan
Menu
Retour à la cohorte

NEW REALITIES FOR CANADA’S PARLIAMENT:A WORKFLOW FOR PREPARING HERITAGE BIM FOR GAME ENGINES AND VIRTUAL REALITY

2019· article· en· W2970671956 sur OpenAlexaffabout
Cailen Pybus, Katie Graham, Joey Doherty, N. Arellano, Stephen Fai

Notice bibliographique

Revue˜The œinternational archives of the photogrammetry, remote sensing and spatial information sciences/International archives of the photogrammetry, remote sensing and spatial information sciences · 2019
Typearticle
Langueen
DomaineEarth and Planetary Sciences
Thématique3D Surveying and Cultural Heritage
Établissements canadiensCarleton University
Organismes subventionnairesnon disponible
Mots-clésStorytellingDocumentationVirtual realityWorkflowCultural heritagePerformative utteranceMultimediaComputer scienceWorld Wide WebParliamentContent creationNarrativeHuman–computer interactionPolitical scienceArtDatabase

Résumé

récupéré en direct d'OpenAlex

Abstract. With a growing interest in the use of virtual reality (VR) for dissemination of cultural heritage sites, the question of how to leverage existing documentation as content for virtual experiences becomes a potentially valuable opportunity. Notably, as sites are increasingly documented with building information modelling (BIM) for the purposes of conservation, there is potential to give these models a second life as content for public education and promotion. However, although software exist for viewing BIM in VR headsets, they are inadequate for complex models typical of heritage buildings, and lack functionality for integrating custom didactic content and storytelling. To make BIM performative in VR and allow for custom content, a workflow was developed to translate BIM into game engine scenes — which optimizes geometry following performance guidelines of VR while maintaining the high visual fidelity of the BIM. As a case study, six heritage spaces of the Centre Block of the Canadian Parliament which had been previously documented and modelled by CIMS were prepared for Unity3D, enabling their later use in a storytelling experience.

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.

Comment cette classification a été obtenuedéplier

Prédiction machine sur la base complète

Imitation des enseignants

Ni prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.

score de la tête « metaresearch » (Codex)0,004
score de la tête « metaresearch » (Gemma)0,007
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Sans objet · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: aucune
Score de désaccord entre enseignants0,573
Score d'incertitude au seuil0,849

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0040,007
Méta-épidémiologie (sens strict)0,0020,001
Méta-épidémiologie (sens large)0,0010,002
Bibliométrie0,0060,003
Études des sciences et des technologies0,0060,002
Communication savante0,0060,002
Science ouverte0,0020,005
Intégrité de la recherche0,0010,002
Charge utile insuffisante (le modèle a refusé de juger)0,0330,013

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.

Tête enseignante Opus0,019
Tête enseignante GPT0,240
Écart entre enseignants0,221 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeSans objet
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations34
Publié2019
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revue˜The œinternational archives of the photogrammetry, remote sensing and spatial information sciences/International archives of the photogrammetry, remote sensing and spatial information sciencesMême sujet3D Surveying and Cultural HeritageTravaux en français237 207