MétaCan
Menu
Retour à la cohorte
Enregistrement W2326791358 · doi:10.1061/40475(278)42

Reasoning about Construction Methods

2000· article· en· W2326791358 sur OpenAlexaff
Asad Udaipurwala, Alan D. Russell

Notice bibliographique

Revuenon disponible
Typearticle
Langueen
DomaineEngineering
ThématiqueBIM and Construction Integration
Établissements canadiensUniversity of British Columbia
Organismes subventionnairesnon disponible
Mots-clésScheduleComputer scienceProcess (computing)Context (archaeology)Selection (genetic algorithm)Operations researchManagement scienceSystems engineeringRisk analysis (engineering)Artificial intelligenceEngineering

Résumé

récupéré en direct d'OpenAlex

Reasoning involves making a choice among a number of available alternatives such that some predefined criteria are satisfied. In the construction context, one of the crucial choices to be made is the selection of the optimum construction methods for various parts of a project. Construction research to date has approached this subject from two important but disparate directions. The first approach has been developing automated systems for schedule generation based on the physical characteristics of the designed facility as well as the construction site. The second approach has been developing systems that aid in method selection using techniques such as artificial intelligence, simulation and AHP. However, an effective schedule cannot be generated based solely on a project's physical characteristics without taking the construction method(s) into account. Also, once a method is selected, it should be integrated in the schedule development process. Over the past two years the authors have been addressing this issue in a research project aimed at developing an integrated system that incorporates both method knowledge as well as the physical aspects of a project in the schedule generation process. This paper presents some of the achievements to date as well as some issues that require further inquiry.

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)0,026
score de la tête « metaresearch » (Gemma)0,054
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Théorique ou conceptuel · Signal consensuel: Théorique ou conceptuel
GenreSignal candidat: Empirique · Signal consensuel: aucune
Score de désaccord entre enseignants0,026
Score d'incertitude au seuil0,136

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0260,054
Méta-épidémiologie (sens strict)0,0020,002
Méta-épidémiologie (sens large)0,0020,006
Bibliométrie0,0060,005
Études des sciences et des technologies0,0040,010
Communication savante0,0130,020
Science ouverte0,0070,007
Intégrité de la recherche0,0060,006
Charge utile insuffisante (le modèle a refusé de juger)0,0140,002

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 Opus0,007
Tête enseignante GPT0,253
Écart entre enseignants0,246 · 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'étudeThéorique ou conceptuel
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

Citations2
Publié2000
Routes d'admission1
Résumé présentoui

Explorer davantage

Même sujetBIM and Construction IntegrationTravaux en français237 207