AUTOC-AR: A Car Design and Specification as a Work Safety Guide Based on Augmented Reality Technology
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
The development of Augmented Reality (AR) technology until now continues to increase. Utilization of AR has been used in various aspects of life, including aspects of education, is no exception for automotive engineering education. In recent years, a variety of ideas and the latest innovations about automotive by utilizing AR technology began to boom, especially in the area of car design aimed at car production companies. At the car production stage, human resources skilled in understanding the design and specifications of car features are required. The seeds of educated human resources start from vocational students in automotive engineering expertise programs. This study aims to develop and implement an application called AUTOC-AR that functions to help and facilitate students in learning automotive engineering skills in vocational schools and supporting safety in the workplace. The research methodology consisted of a literature review and excavation of problems and needs, solution recommendations, application development, testing, results and discussion, conclusions and future work. The Extreme Programming (XP) model was used as a development method. Marker-based tracking was used as a detection approach. As many as 25 students as end-users were involved to use AUTOC-AR. The result is that all features in the AUTOC-AR application function properly based on the expected specifications. Non-functional testing has been carried out by adopting a user experience approach with a final average value of 4.83 with a percentage of 96.6%.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,002 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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