Fuzzy Preference Relations Consensus Approach to Reduce Conflicts on Shared Responsibilities in the Owner Managing Contractor Delivery System
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
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.
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 | 0,003 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 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 découle