Notice bibliographique
Résumé
The design and development of a product is a complex process, which requires many resources and various types of expertise. Because the process is complex, it is essential to estimate the design effort required to complete a product development project. The estimation of design effort is, in turn, a prime factor to predicting lead-time, cost, and effort requirements of a project. In this thesis, parametric models for estimating design effort are proposed. A case study involving engineering departments at Pratt & Whitney Canada (PWC) is presented. First, research is conducted on each of the design, aerodynamics, analytical and drafting departments at PWC to identify factors that could be best utilized in estimating design effort. Four factors are identified for parametric modeling. These factors are type of design, degree of change, concurrency, and experience of departmental personnel. The parametric model applied to each department uses least square regression. Furthermore, the jackknife technique is utilized to ameliorate the bias in regression equations coefficients. This research also uses a data masking technique in order to protect confidential data information of PWC. The masking technique enables to calibrate the impact of each factor considered in the parametric modeling, while not being affected by the masking. Data analysis is first utilized to establish regression based parametric models. Later, the regression equations are tested for their validation. It is found that the proposed parametric models provide good estimate of design effort when compared to the original estimates, with maximum relative errors of less than 10%. Furthermore, in each parametric model, the factors that significantly affect the design effort are identified using ANOVA table. Based on the outcomes reported in ANOVA, the number of factors is reduced and new models are developed with the reduced number of factors. Lastly, the application of the models, limitations and possible future studies are also discussed in this thesis.
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 | 0,008 | 0,032 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,002 |
| Bibliométrie | 0,003 | 0,003 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,002 | 0,002 |
| Science ouverte | 0,003 | 0,001 |
| Intégrité de la recherche | 0,002 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,005 | 0,002 |
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.
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 ».