MétaCan
Menu
Retour à la cohorte
Enregistrement W1967271747 · doi:10.1139/l06-055

Workflow management and productivity control for asphalt pavement operations

2006· article· en· W1967271747 sur OpenAlexvenueno aff
Jaehyun Choi, R. Edward Minchin

Notice bibliographique

RevueCanadian Journal of Civil Engineering · 2006
Typearticle
Langueen
DomaineEngineering
ThématiqueManufacturing Process and Optimization
Établissements canadiensnon disponible
Organismes subventionnairesnon disponible
Mots-clésProductivityWorkflowProduction (economics)Work (physics)Control (management)EngineeringOperations managementProduction linePavement managementTransport engineeringComputer science

Résumé

récupéré en direct d'OpenAlex

The construction industry is characterized by high uncertainty and variability in terms of controlling the production and productivity of its operations. Construction projects are sophisticated and have a much larger range of uncertainty than, say, the manufacturing production line. Previous research has shown the cause-and-effect between workflow management and production, but most documented research studied labor-intensive operations, partly because less variability has been assumed in the production of equipment-intensive operations. Therefore, measurement of productivity for equipment-intensive work has been almost nonexistent, and charts and tables provided by manufacturers are relied upon with no regard for factors other than those acknowledged by the manufacturer's handbook. The research team assembled for this study measured daily production rates for highway pavement construction, verified factors that adversely affected performance, and quantified the loss of work hours caused by each factor. The team found that productivity in highway pavement construction contains significant variability.Key words: workflow management, equipment intensive, production variability, highway pavement, delay, disruption.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,005
score de la tête « metaresearch » (Gemma)0,012
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,020
Score d'incertitude au seuil0,040

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0050,012
Méta-épidémiologie (sens strict)0,0010,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0020,002
Études des sciences et des technologies0,0010,001
Communication savante0,0020,001
Science ouverte0,0010,001
Intégrité de la recherche0,0000,001
Charge utile insuffisante (le modèle a refusé de juger)0,0010,000

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.

Tête enseignante Opus0,004
Tête enseignante GPT0,163
Écart entre enseignants0,159 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeObservationnel
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations17
Publié2006
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueCanadian Journal of Civil EngineeringMême sujetManufacturing Process and OptimizationTravaux en français237 207