Keuntungan, Batasan, dan Tantangan Penggunaan Building Information Modeling dalam Proses Pembelajaran
Why this work is in the frame
A frame that forgets how it found something cannot be audited. These are the routes that admitted this work.
Bibliographic record
Abstract
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.
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
Full frame distilled prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. Learned from the 10,348 direct Codex labels and 10,348 direct Gemma labels. Candidate is the union of thresholded teacher heads; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels or direct frontier model labels.
Codex and Gemma teacher scores by category
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.002 | 0.001 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.000 |
| Bibliometrics | 0.002 | 0.004 |
| Science and technology studies | 0.002 | 0.000 |
| Scholarly communication | 0.001 | 0.005 |
| Open science | 0.004 | 0.002 |
| Research integrity | 0.001 | 0.002 |
| Insufficient payload (model declined to judge) | 0.000 | 0.001 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from it