QuickAware: a virtual reality tool for quick clay landslide hazard awareness
Notice bibliographique
Résumé
Abstract Disaster emergency management is crucial for safeguarding lives and the environment in the face of natural and human-caused calamities, such as quick clay landslides. Disaster emergency management encompasses hazard identification, prevention, response, and recovery, most of which require knowledge and information acquired through training initiatives. Quick clay landslides pose a substantial hazard in regions like Scandinavia, Canada, Alaska, and Russia. With numerous historical incidents, knowledge-based awareness of quick clay landslide hazards is of paramount importance. In recent years, the area of application of virtual reality (VR) has grown tremendously from the entertainment industry to the military, to mental health, to hazard identification training and our daily lives. VR has been widely employed in hazard identification and prevention, safety training, evacuation, search and rescue, and damage identification of hazards. This study outlines the design, development, and implementation of QuickAware, a VR tool designed to create awareness of quick clay hazards. The development process of the tool started with a co-design approach where stakeholder experts were brought to collaborate in setting up VR scenarios and defining the VR environment contents. The contents were then conceptualized and translated into a VR experience. The novelty of the tool is that it immerses users in a realistic experience, allowing them to engage directly with the causes and consequences of quick clay landslide disasters which would be dangerous in real-life. The usability of the VR tool was examined by surveying 16 participants. The preliminary results of the survey indicated that the tool has a promising value in improving awareness creation for quick clay landslide hazards.
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 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 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 ».