Exploring Magic Interactions for Collaboration in Virtual Reality Learning Factory
Notice bibliographique
Résumé
Abstract A hands-on curriculum that blends theory and practical skills is essential to teach manufacturing. An integral part of such a curriculum is a learning factory, which allows engineering students to experience the entire manufacturing cycle of a product in a realistic factory environment. In addition to learning the required technical skills, students can practice their collaborative skills and communication via teamwork in a learning factory. With virtual reality (VR), environments can be made using game engines that simulate their real-world equivalents, providing realistic experiences. Compared to traditional remote learning, VR-based learning together with online remote learning is experiential, allows for natural interaction, and is only limited by the capabilities of the hardware running the virtual environments. The cost of VR devices has dramatically reduced with standalone VR devices such as Meta Quest 2, making these devices a compelling option for specialized educational simulations. A VR Learning Factory should support synchronous collaboration of multiple learners in the same environment. This is a critical advantage of using VR, since collaboration is an essential skill for engineers. To maximize this benefit, it is imperative to develop an appropriate VR interaction mode, because it can greatly influence the effectiveness of collaborations. In this research, we explore multi-user interaction within the context of the VR Learning Factory and compare two modes of virtual user interaction that we call natural and magic. Magic interactions include three additional tools: object container, holographic representation, and multi-object selection. We conduct an analysis of the two modes of VR interaction in a craft production task and show increased performance of using magic interactions.
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 | 0,000 | 0,000 |
| 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 | 0,002 |
| 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 ».