Keuntungan, Batasan, dan Tantangan Penggunaan Building Information Modeling dalam Proses Pembelajaran
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
Studi ini melihat bagaimana menerapkan Building Information Modeling (BIM) di lingkungan kampus sebagai metode pembelajaran konstruksi. BIM adalah teknologi yang semakin populer dalam industri konstruksi yang membantu meningkatkan akurasi dan efisiensi proses perencanaan, desain, dan pengelolaan proyek. Namun, dapat ada beberapa masalah dan hambatan saat menerapkan BIM di kalangan mahasiswa dan dosen di lingkungan kampus. Dalam penelitian ini, literatur dan kuesioner digunakan untuk mengumpulkan data dari mahasiswa di salah satu universitas di Yogyakarta. Data tersebut mencakup pengetahuan mahasiswa tentang BIM, pengalaman mereka menggunakannya, dan pendapat mereka tentang apa yang baik dan buruk dari BIM dalam proses pembelajaran. Hasil penelitian menunjukkan bahwa sebagian besar siswa tahu tentang BIM. Namun, penelitian ini juga menemukan beberapa masalah yang menghalangi pemanfaatan BIM di kampus yaitu sumber daya dan infrastruktur, kurikulum yang belum sepenuhnya terintegrasi dengan BIM, dan kendala dalam aksesibilitas perangkat lunak BIM. Selain itu, penelitian ini melihat kemungkinan pengembangan OpenBIM sebagai solusi untuk meningkatkan kolaborasi dan fleksibilitas dalam penggunaan BIM di lingkungan kampus. Dengan membangun ekosistem digital yang berkelanjutan, penerapan BIM di kampus dapat memberikan manfaat yang signifikan bagi mahasiswa dalam mempersiapkan diri untuk dunia kerja yang semakin terdigitalisasi dan berorientasi teknologi.
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 | 0,002 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,002 | 0,004 |
| Études des sciences et des technologies | 0,002 | 0,000 |
| Communication savante | 0,001 | 0,005 |
| Science ouverte | 0,004 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,001 |
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.
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