AR-Supported Knowledge Transfer: Motion Tracking and Process Visualization for Tacit Knowledge Capturing

Implizites Wissen spielt in der industriellen Instandhaltung eine zentrale Rolle: Erfahrungswissen bleibt oft undokumentiert und lässt sich mit klassischen Schulungsmethoden nur schwer weitergeben. Diese Arbeit untersucht, wie AR die Externalisierung impliziten Wissens in Instandhaltungsaufgaben unterstützen kann, um Wissenskontinuität, -transfer und -erhalt zu verbessern.Ausgehend von einem Design-Science-Research-Ansatz identifiziert eine systematische Literaturrecherche zentrale Hürden der Wissenserfassung. Eine integrative Literaturübersicht bündelt und ordnet sechs für die Instandhaltung relevante Typen impliziten Wissens: (1) motorische Fertigkeiten und Werkzeugführung, (2) Troubleshooting-Know-how, (3) kollaborative Routinen, (4) kontextabhängige Anpassung, (5) pragmatische Abkürzungen und (6) Sicherheitsbewusstsein sowie Risikobeurteilung. Die Einordnung erfolgt entlang von Collins’ Taxonomie (somatisch, relational, kollektiv) und nach Wissensebene (individuell vs. Gruppe).Darauf aufbauend wird ein kompaktes konzeptionelles Modell vorgestellt, das die AR-gestützte Erfassung und Weitergabe über diese Kategorien hinweg operationalisiert. Zur Evaluierung entstand eine AR-basierte PoC Demo auf Basis eines BPMN-Prozessmodells in einem Wasserfallvorgehen, der Bewegungserfassung, Videoaufzeichnung und Entscheidungsabfragen in den Erfassungsablauf integriert.In einer praxisnahen Fallstudie wechselte ein erfahrener Fahrradmechaniker den Schlauch eines Reifens. Dabei wurden elf bislang undokumentierte implizite Hinweise erfasst, die sich auf acht der neun Prozessschritte verteilen. Das bestehende Handbuch ließ sich dadurch um konkrete, handlungsnahe Einsichten ergänzen, ohne die ursprüngliche Abfolge zu verändern. Ein kontrollierter A/B-Test mit zehn unerfahrenen Probanden zeigte, dass die AR-basierte Anleitung die papiergebundene Instruktionen deutlich übertrifft: schnellere Aufgabenerledigung, keine Fehler, signifikant höhere Bewertungen in Kategorien wie Benutzerfreundlichkeit, Selbstvertrauen und Zufriedenheit sowie geringere kognitive Belastung. Halbstrukturierte Interviews stützten diese Ergebnisse und belegten eine klare Präferenz für AR-Unterstützung.In Summe verdeutlichen die Resultate, wie AR implizites Instandhaltungswissen in explizite, schrittverankerte Handlungsanleitungen überführt und das mit messbaren Verbesserungen beim Wissenstransfer, geringeren Fehlern und effizienterer Ausführung.