Analysis of Collaborative Assembly in Multi-User Computer-Aided Design
Notice bibliographique
Résumé
Abstract Cloud-based multi-user computer-aided design (MUCAD) tools have the potential to revolutionize design team collaboration. Previous research focusing on parametric part modeling suggests that teams collaborating through MUCAD are more efficient at producing a CAD model than individual designers. While these studies are enlightening, there is a significant gap in understanding the impact of MUCAD on assembly modeling, despite assembly’s crucial role in the design process. Part and assembly models are both defined by parametric relationships, but assembly models lack hierarchical feature dependency; we propose that by modularizing tasks and executing them in parallel, teams can optimize the assembly process in ways not possible with part modeling. Our study aims to examine and compare CAD assembly performance between individuals and virtual collaborative teams using the same cloud MUCAD platform. Through analyzing team communication, workflow, task allocation, and collaboration challenges of teams comprising 1–4 members, we identify factors that contribute to or hinder the success of multi-user CAD teams. Our results show that teams can complete an assembly in less calendar time than a single user, but single users are more efficient on a per-person basis, due to communication and coordination overheads. Notably, pairs exhibit an assembly bonus effect. These findings provide initial insights into the realm of collaborative CAD assembly work, highlighting the potential of MUCAD to enhance the capabilities of modern product design teams.
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 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 | 0,001 | 0,002 |
| 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».