MétaCan
Menu
Retour à la cohorte
Enregistrement W2993682673 · doi:10.36680/j.itcon.2019.031

From BIM to VR: defining a level of detail to guide virtual reality narratives

2019· article· en· W2993682673 sur OpenAlexaffabout
Katie Graham, L. Chow, Stephen Fai

Notice bibliographique

RevueJournal of Information Technology in Construction · 2019
Typearticle
Langueen
DomaineEarth and Planetary Sciences
Thématique3D Surveying and Cultural Heritage
Établissements canadiensCarleton University
Organismes subventionnairesnon disponible
Mots-clésVirtual realityBuilding information modelingCultural heritageProcurementNarrativeAugmented realityProcess (computing)EngineeringArchitectural engineeringComputer scienceHuman–computer interactionArchaeologyBusinessGeographyOperations managementArt

Résumé

récupéré en direct d'OpenAlex

In 2012, the Carleton Immersive Media Studio (CIMS) started a research relationship with Public Services and Procurement Canada to develop a building information model (BIM) of the Parliament Hill National Historic Site of Canada. The model was created to facilitate a multi-year rehabilitation of the site and was developed using both historical records and highly detailed geo-referenced point cloud data. In the process of planning the model, CIMS developed a unique Level of Detail (LOD) specification for heritage buildings that, in addition to standard specifications, considered cultural heritage value as part of the LOD. As the rehabilitation project unfolded, the possibility of using the BIM for public engagement through the creation of virtual reality (VR) experiences was proposed. In this paper, we discuss the transferal of CIMS’ LOD from a BIM to a VR environment, arguing that the BIM LOD’s focus on cultural heritage value is consistent with virtual reality LOD in that it can be used to guide participants through a virtual reality narrative by inferring that areas of higher fidelity have greater value.

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)0,010
score de la tête « metaresearch » (Gemma)0,017
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Théorique ou conceptuel · Signal consensuel: Théorique ou conceptuel
GenreSignal candidat: Méthodes · Signal consensuel: Méthodes
Score de désaccord entre enseignants0,012
Score d'incertitude au seuil0,052

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0100,017
Méta-épidémiologie (sens strict)0,0010,001
Méta-épidémiologie (sens large)0,0000,001
Bibliométrie0,0020,001
Études des sciences et des technologies0,0040,016
Communication savante0,0120,013
Science ouverte0,0020,011
Intégrité de la recherche0,0020,003
Charge utile insuffisante (le modèle a refusé de juger)0,0050,001

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 Opus0,027
Tête enseignante GPT0,254
Écart entre enseignants0,228 · 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'étudeThéorique ou conceptuel
Domainenon disponible
GenreMéthodes

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

En bref

Citations20
Publié2019
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revueJournal of Information Technology in ConstructionMême sujet3D Surveying and Cultural HeritageTravaux en français237 207