A Softcomputing Knowledge Areas Model
Notice bibliographique
Résumé
Recently, ten knowledge areas (KAs) of project management have been published by the PMBOK® Guide. They comprise specific skills and experiences to ensure accomplishing project goals, and include management of: integration, scope, cost, time, quality, communications, procurement, risk, human resources and stakeholders. This research paper focuses on the ten required KAs for a project manager or a project to be successful. It aims at applying the Softcomputing modeling techniques to describe the relations between the 47 processes and the KAs. Such a model will enable users to predict the overall competencies of the project management. Thus, it provides an assessment tool to envisage, visualize and indicate the overall performance and competency of a project. The proposed Softcomputing Knowledge Areas Model (SKAM) is a two-stage model. The first stage involves ten models. Each model describes relations between a specific KA and its related processes. The outputs of these ten models will feed into the second stage that will represent the relationship between all the ten KAs and the overall predicted competencies of a project. A combination of Subtractive Clustering and Neurofuzzy modeling techniques are used. Three measures are used to validate the adequacy of the models: the mean average percentage errors, the correlation coefficient and the maximum percentage errors. The highest achieved values for these measures are0.5751, 0.9999 and 4.7283, respectively. However, although the preliminary findings of the proposed SKAM model are promising, more testing is still required before declaring the adequacy of applying the Softcomputing modeling approach in the project management field.
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 distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,021 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,002 | 0,003 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,010 |
| Science ouverte | 0,002 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 tête enseignante, 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 ».