MétaCan
Menu
Retour à la cohorte
Enregistrement W2045253820 · doi:10.3390/buildings2030326

Why Buildings Fail: Are We Learning From Our Mistakes?

2012· article· en· W2045253820 sur OpenAlexaboutno aff
M. Kevin Parfitt

Notice bibliographique

RevueBuildings · 2012
Typearticle
Langueen
DomaineEngineering
ThématiqueConstruction Engineering and Safety
Établissements canadiensnon disponible
Organismes subventionnairesnon disponible
Mots-clésVariety (cybernetics)Architectural engineeringForensic engineeringEngineeringDeckWork (physics)Water damageCivil engineeringComputer scienceHistory

Résumé

récupéré en direct d'OpenAlex

Most building professionals have investigated or performed remedial designs for at least one architectural or engineering system failure during their careers. Other practitioners, especially those who work for forensic consultants or firms specializing in disaster response and repair, are more familiar with the variety and extent of building failures as they assist their clients in restoring damaged or deficient buildings. The advent of social medial and twenty-four-hour news channels along with the general ease of finding more examples of failures in the Internet have made us realize that building failures in the broad sense are much more common than we may have realized.Relatively recent events leading to building failures such as the Christchurch, New Zealand earthquakes, the roof/parking deck of the Algo Centre mall in the northern Ontario, Canada city of Elliot Lake and the Indiana State Fairground stage collapse in the US are just a few reminders that much more work needs to be done on a variety of fronts to prevent building failures from a life safety standpoint. The need is compounded by economic concerns from what would be considered more mundane or common failures. Inspections by the author after Hurricane Katrina revealed a huge number of failures associated rain water alone as roofs, windows, flashing, mechanical penetrations etc. failed leading to interior water penetration often resulting in more damage from damp conditions and mold propagation than outright structural collapses. [...]

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)0,018
score de la tête « metaresearch » (Gemma)0,082
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Sans objet · Signal consensuel: Sans objet
GenreSignal candidat: Commentaire · Signal consensuel: Commentaire
Score de désaccord entre enseignants0,018
Score d'incertitude au seuil0,094

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0180,082
Méta-épidémiologie (sens strict)0,0020,001
Méta-épidémiologie (sens large)0,0020,001
Bibliométrie0,0020,002
Études des sciences et des technologies0,0120,041
Communication savante0,0170,046
Science ouverte0,0040,009
Intégrité de la recherche0,0170,029
Charge utile insuffisante (le modèle a refusé de juger)0,0140,011

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 Opus0,015
Tête enseignante GPT0,206
Écart entre enseignants0,191 · 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'étudeSans objet
Domainenon disponible
GenreCommentaire

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

En bref

Citations8
Publié2012
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueBuildingsMême sujetConstruction Engineering and SafetyTravaux en français237 207