Fuzzy Preference Relations Consensus Approach to Reduce Conflicts on Shared Responsibilities in the Owner Managing Contractor Delivery System
Notice bibliographique
Résumé
This paper proposes a fuzzy preference relations consensus (FPRC) approach that helps owners and contractors reach consensus on their responsibilities and reduce conflicts in shared tasks. A fuzzy similarity consensus (FSC) model was developed to aggregate experts’ opinions on roles and responsibilities in the owner managing contractor (OMC) project delivery system. The FSC model categorized 324 generic OMC tasks into three responsibility task lists: owner, contractor, and shared. In a consensus-reaching process, the FPRC approach is applied to shared tasks, where expert opinions on responsibility conflict are expressed, to achieve an aggregated responsibility decision for each task. Experts compare the three responsibility alternatives in pairs by using linguistic preferences, defined on a fuzzy preference scale, to select a preferred responsibility alternative for each of the conflicting tasks. A computed linguistic consensus degree guides the experts on their level of consensus in every round of the process. The quality of experts is defined with a fuzzy expert system–determined importance weight factor for each expert. The FPRC approach is relevant to the construction industry, as it incorporates consistency in decision making by allowing experts to measure and reach an adequate level of consensus linguistically when deciding on responsibilities. The proposed approach provides a method of reducing conflicts in the assignment of task responsibility between the owner and its contractors as early as the project initiation phase; thus, the project teams can concentrate on the work to be done rather than deal with responsibility conflicts during project execution.
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 | 0,005 | 0,007 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,001 | 0,003 |
| Science ouverte | 0,002 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 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 ».