Institutional motivations and barriers to the construction of green buildings on campus
Notice bibliographique
Résumé
Purpose To explore the barriers and motivations to the construction of green buildings at the University of Waterloo (UW) by documenting and analysing the UW building process. Design/methodology/approach The authors conducted 13 semi‐structured in‐depth interviews with key UW individuals as well as analyzing numerous internal reports in order to document UW's building process. Based on the literature, a set of key ingredients for successful green building projects is developed as a basis from which to evaluate UW's current practices. Findings Based on the four key ingredients needs for successful green building projects at Institutions of Higher Education (IHE), UW was found to have weaknesses in all four areas including: a lack internal leadership amongst stakeholders with decision‐making power, a lack of quantifiable sustainability targets, an operational structure that does not reward building designs with lower energy costs, and lack of communication between professional designers, facilities management and faculty. While UW has implemented many green initiatives on campus, the current financial and organizational structure of the University's current system does lend itself to the creation and implementation of green buildings on campus. Originality/value Most research at IHE document existing green building initiatives and the lessons learned from their design and construction. There has been limited research into the processes by which decisions to proceed with the construction of green buildings are made, particularly within large institutions. As a consequence, the research documents many of the pitfalls, traps, and solutions that are experienced during the construction of green buildings, but have limited knowledge of the reasons why some proposed green buildings never get developed. This research identifies barriers to the construction of green buildings within institutional decision‐making processes and makes specific recommendations for realizing green building construction based on the UW case study.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,013 | 0,023 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,001 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,010 | 0,009 |
| Communication savante | 0,010 | 0,002 |
| Science ouverte | 0,002 | 0,007 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,005 | 0,001 |
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 source (Gemma direct ou Codex distillé), 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 ».