Adapting Content Generation Knowledge from Diverse Fields to Construction: A Systematic Review on Content Generation in Extended Reality Based Training
Notice bibliographique
Résumé
Extended Reality (XR) based training applications designed for the construction environment is rapidly gaining popularity, but creating high-quality content remains a significant challenge.Traditional content generation methods, such as manual 3D modeling, paper-based checklist creation, the creation of static training simulations, reliance on pre-recorded video and 2D diagrams for instruction, and manual annotation of 3D models for training purposes, are timeconsuming, require specialized skills, and are often cost-prohibitive, limiting scalability and accessibility.While other industries have successfully implemented automation and artificial intelligence (AI) for content creation, the construction field continues to rely heavily on manual processes.By learning from advancements and best practices in other fields, the construction industry can overcome these challenges and unlock the full potential of XR for training its workforce.This systematic review analyzes and synthesizes the current literature on content generation techniques for XR-based training.It examines different content generation methods, identifies some benefits and challenges, and explores their potential suitability for various training domains and objectives.The review explores content generation methods, XR technology platforms, interaction types, and learning environments, with a focus on their potential to inform best practices for construction.Following PRISMA guidelines, the review included studies from top-quantile peer-reviewed journals and conferences over the past 20 years, identifying 97 direct relevant studies from Scopus, ACM library, and Web of Science.The review indicates that while 3D modeling remains dominant in XR training content creation, AI-powered generation is still emerging with limited applications specifically for training content.Initial findings suggest potential benefits such as increased learner engagement and reduced development time, but challenges in accuracy and ethical considerations persist.The insights gained can inform the development of guidelines and best practices for creating high-quality XR training content tailored to the construction environment.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,016 | 0,060 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,005 | 0,004 |
| Bibliométrie | 0,007 | 0,005 |
| Études des sciences et des technologies | 0,001 | 0,002 |
| Communication savante | 0,004 | 0,004 |
| Science ouverte | 0,002 | 0,003 |
| Intégrité de la recherche | 0,002 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 source (Gemma direct ou Codex distillé), 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 ».