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

Abstract

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.

Tacit knowledge plays a critical role in industrial maintenance, where experiential expertise often remains undocumented and difficult to transfer through traditional training methods. This thesis investigates how AR can mediate the externalization of tacit knowledge in industrial maintenance tasks to enhance knowledge continuity, transfer, and retention.Following a Design Science Research approach, a systematic literature review identified key challenges in tacit knowledge capture, while an integrative literature review identified and categorized six maintenance-relevant tacit knowledge types: (1) motor skills and tool handling, (2) troubleshooting know-how, (3) collaborative routines, (4) contextual adaptation, (5) practical shortcuts, and (6) safety awareness and risk assessment. These types are categorized according to Collins's taxonomy (somatic, relational, collective) and knowledge level (individual vs. group). On this basis, a concise conceptual model is introduced that operationalizes AR-mediated capture and transfer across these tacit knowledge categories, leveraging motion tracking, video documentation, and decision prompts. To validate the conceptual model, a case study was conducted in which an AR-based PoC Demo was developed based on a BPMN process design using a Waterfall approach, integrating motion tracking, video recording, and decision prompts into the capture workflow. In a maintenance-focused case study, an expert bicycle mechanic performed an inner-tube replacement, during which 11 previously undocumented tacit cues were captured across eight of nine procedural steps. This enriched the existing maintenance manual by embedding actionable insights without altering the original sequence. Controlled A/B testing with ten novices demonstrated that AR-delivered maintenance guidance outperformed traditional paper-based instructions, leading to faster task completion, elimination of errors, and significantly higher usability, confidence, and satisfaction ratings, while reducing cognitive workload. Semi-structured interviews reinforced these findings, with consistent user preference for AR support. The results highlight how AR can externalize tacit maintenance expertise, transforming it into explicit, step-anchored guidance that enhances skill transfer, reduces errors, and supports more efficient maintenance execution.