Wissenssicherung und -transfer in der manuellen Montage/Knowledge retention and transfer in manual assembly

Inhaltsverzeichnis

Bibliographische Infos

Cover der Ausgabe: wt Werkstattstechnik online Jahrgang 115 (2025), Heft 09
Open Access Vollzugriff

wt Werkstattstechnik online

Jahrgang 115 (2025), Heft 09

Autor:innen:
Verlag
VDI fachmedien, Düsseldorf
Copyrightjahr
2025
ISSN-Online
1436-4980
ISSN-Print
1436-4980

Kapitelinformationen

Open Access Vollzugriff

Jahrgang 115 (2025), Heft 09

Wissenssicherung und -transfer in der manuellen Montage/Knowledge retention and transfer in manual assembly

Autor:innen:
ISSN-Print
1436-4980
ISSN-Online
1436-4980
Kapitelvorschau:

Die Produktion steht, wie viele Industriezweige in Deutschland, vor Herausforderungen. Dazu gehören der Fachkräftemangel, rasante Entwicklungen in Wertschöpfungssystemen, demografischer Wandel und die hohe Bereitschaft zum Jobwechsel. Somit geht Erfahrungswissen schneller verloren und effiziente Kompetenzvermittlung wird immer wichtiger. Die Forschung beschäftigt sich daher mit innovativen Strategien, um Erfahrungswissen erhalten und effizient weitergeben zu können.

Literaturverzeichnis

  1. [1] Deutscher Industrie- und Handelskammertag e.V. (DIHK): Fachkräfteengpässe schon über Vorkrisenniveau. DIHK-Report Fachkräfte 2021. Stand: 2021. Internet: https://www.dihk.de/resource/blob/61638/9bde58258a88d4fce8cda7e2ef300b9c/dihk-report-fachkraeftesicherung-2021-data.pdf. Zugriff am 11.08.2025, S. 4–27 Google Scholar öffnen DOI: 10.37544/1436-4980-2025-09-55
  2. [2] Bundesministerium für Arbeit und Soziales (BMAS): Langfristprojektion des Langfristprojektion des Fachkräftebedarfs in Deutschland, 2021 – 2040. Szenario „Fortschrittliche Arbeitswelt“ (Annahmensetzung nach dem Koalitionsvertrag von 2021). Stand: 2023. Internet: https://www.bmas.de/DE/Service/Publikationen/Forschungsberichte/fb-617-langfristprojektion-des-fachkraeftebedarfs.html. Zugriff am 11.08.2025 Google Scholar öffnen DOI: 10.37544/1436-4980-2025-09-55
  3. [3] Mariano, S.: Mitigating the Disruptive Consequences of Knowledge Loss in Organizational Settings: Knowledge Loss Clusters and Potential Organizational Interventions. European Conference on Knowledge Management 24 (2023) 1, pp. 872–880 Google Scholar öffnen DOI: 10.37544/1436-4980-2025-09-55
  4. [4] Hulstijn, J. H.: Theoretical and empirical issues in the study of implicit and explicit second-language learning: Introduction. Studies in Second Language Acquisition 27 (2005) 02, pp. 129–140 Google Scholar öffnen DOI: 10.37544/1436-4980-2025-09-55
  5. [5] Neuweg, G.: Tacit knowing and implicit learning. In: Fischer, M.; Boreham, N.; Nyhan, B. (eds.): European perspectives on learning at work. The acquisition of work process knowledge. Luxembourg: Office for Official Publications of the European Communities 2004, pp. 130–147 Google Scholar öffnen DOI: 10.37544/1436-4980-2025-09-55
  6. [6] Johnson, T. L.; Fletcher, S. R.; Baker, W. et al.: How and why we need to capture tacit knowledge in manufacturing: Case studies of visual inspection. Applied ergonomics 74 (2019), pp. 1–9 Google Scholar öffnen DOI: 10.37544/1436-4980-2025-09-55
  7. [7] Titah, M.; Aitouche, S.; Mouss, M. D. et al.: Externalising and reusing of tacit knowledge in manufacturing task. International Journal of Knowledge Management Studies 8 (2017) 3/4, p. 351 Google Scholar öffnen DOI: 10.37544/1436-4980-2025-09-55
  8. [8] Feng, S. C.; Bernstein, W. Z.; Hedberg, T. et al.: Towards Knowledge Management for Smart Manufacturing. ASME Journal of computing and information science in engineering 17 (2017) 3, #JCISE-16–2051, doi.org/10.1115/1.4037178 Google Scholar öffnen DOI: 10.37544/1436-4980-2025-09-55
  9. [9] Kaur, H.; Rani, V.; Kumar, M.: Human activity recognition: A comprehensive review. Expert Systems 41 (2024) 11, doi.org/10.1111/exsy.13680 Google Scholar öffnen DOI: 10.37544/1436-4980-2025-09-55
  10. [10] Pirsiavash, H.; Vondrick, C.; Torralba, A.: Assessing the Quality of Actions. In: Fleet, D.; Pajdla, T.; Schiele, B. et al. (eds.): Computer Vision – ECCV 2014. Cham: Springer International Publishing 2014, pp. 556–571 Google Scholar öffnen DOI: 10.37544/1436-4980-2025-09-55
  11. [11] Patrona, F.; Chatzitofis, A.; Zarpalas, D. et al.: Motion analysis: Action detection, recognition and evaluation based on motion capture data. Pattern Recognition 76 (2018), pp. 612–622 Google Scholar öffnen DOI: 10.37544/1436-4980-2025-09-55
  12. [12] Yan, M.; Liu, X.; Li, Z. et al.: Evaluation of Human Action Based on Feature-Weighted Dynamic Time Warping. Applied Sciences 14 (2024) 23, #11130 Google Scholar öffnen DOI: 10.37544/1436-4980-2025-09-55
  13. [13] Zia, A.; Sharma, Y.; Bettadapura, V. et al.: Automated video-based assessment of surgical skills for training and evaluation in medical schools. International journal of computer assisted radiology and surgery 11 (2016) 9, pp. 1623–1636 Google Scholar öffnen DOI: 10.37544/1436-4980-2025-09-55
  14. [14] Zia, A.; Essa, I.: Automated surgical skill assessment in RMIS training. International journal of computer assisted radiology and surgery 13 (2018) 5, pp. 731–739 Google Scholar öffnen DOI: 10.37544/1436-4980-2025-09-55
  15. [15] Lei, Q.; Du, J.-X.; Zhang, H.-B. et al.: A Survey of Vision-Based Human Action Evaluation Methods. Sensors (Basel, Switzerland) 19 (2019) 19, #4129, doi.org/10.3390/s19194129 Google Scholar öffnen DOI: 10.37544/1436-4980-2025-09-55

Zitation

Download RIS Download BibTex

Downloads

Download Kapitel (PDF)

Hinweis

Dieses Werk ist urheberrechtlich geschützt und darf nur nach den Vorgaben der Nutzungs- und Lizenzvereinbarung genutzt werden. Jede darüber hinaus gehende Nutzung des Werkes ist ausdrücklich untersagt und wird verfolgt.

Per E-Mail teilen

Medien