Integrating smart glasses in a hybrid manufacturing system: Towards a better understanding of impacts on productivity, quality and ergonomics/human factors
Notice bibliographique
Résumé
Production process is progressively shifting away from fully automated towards hybrid alternatives. \nTechnology-assisted manual labor in manufacturing, more specifically low-volume processes, promises increased job \nproductivity and is expected to support the workers. This study aims to gain a better understanding of the impacts on \nproductivity, quality and ergonomics/human factors, when smart glasses are introduced in a hybrid system. \n10 recruited participants were asked to do four complex assemblies each with 15 repetitions using manual and air ratchets \nwith and without smart glasses. The data was collected through cameras, an eye-tracker, time measuring, NASA-TLX for \ntask workload and quality control with documented pictures of each finished assembly. \nResults show that completion time was shorter with the smart glasses and, with assembly repetition, participants skipped \nreading some instructions. Globally, the weighted and unweighted NASA-TLX were high for the physical and effort \nindicators. Participants’ individual scores however show important differences. All participants made assembly errors, \nwhether bracket alignment or loose bolts. The tools used (manual and air ratchet) had an impact on quality. \nThis paper presents preliminary results. More refined analysis of this study’s data is needed to better comprehend how to \nintegrate conventional, automated, and intelligent technology like smart glasses.
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 | 0,000 |
| 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 ».