MétaCan
Menu
Retour à la cohorte
Enregistrement W2461666051 · doi:10.1080/01446193.2016.1206660

Collaboration through innovation: implications for expertise in the AEC sector

2016· article· en· W2461666051 sur OpenAlexaff
Érik Poirier, Daniel Forgues, Sheryl Staub‐French

Notice bibliographique

RevueConstruction Management and Economics · 2016
Typearticle
Langueen
DomaineDecision Sciences
ThématiqueComplex Systems and Decision Making
Établissements canadiensÉcole de Technologie SupérieureUniversity of British Columbia
Organismes subventionnairesnon disponible
Mots-clésFraming (construction)Knowledge managementEngineeringBody of knowledgeIntegrated project deliveryContext (archaeology)Process (computing)ArchitectureProcess managementComputer scienceProject managementSystems engineering

Résumé

récupéré en direct d'OpenAlex

Collaboration is key for successful delivery of building projects in the Architecture, Engineering and Construction (AEC) sector. Innovative project delivery approaches developed over the past two decades envision new ways of collaborating and specifically aim at improving the performance of and value generated by this key economic sector. Collaboration, however, remains an ill-defined and highly amorphous concept. This makes it difficult to investigate and consequently develop a body of knowledge, which is central to defining a field of expertise in this area. The aim of this investigation is to explore the notion of an expertise in collaboration in the AEC sector and the implications of these innovative project delivery approaches on this expertise. The concept of collaboration is developed across five core entities: structure, process, agents, artefacts and context. These entities are then framed through a critical realist lens to lay the groundwork for a body of knowledge of collaboration in the AEC sector. The impact of the current shift to these innovative approaches is investigated within this framing. The findings set a course of action to develop a body of knowledge and a field of expertise on collaboration in the AEC sector.

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)0,012
score de la tête « metaresearch » (Gemma)0,028
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Qualitatif · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: aucune
Score de désaccord entre enseignants0,013
Score d'incertitude au seuil0,070

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0120,028
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0010,001
Bibliométrie0,0040,003
Études des sciences et des technologies0,0080,033
Communication savante0,0130,017
Science ouverte0,0010,012
Intégrité de la recherche0,0050,003
Charge utile insuffisante (le modèle a refusé de juger)0,0080,000

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.

Tête enseignante Opus0,184
Tête enseignante GPT0,378
Écart entre enseignants0,194 · 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'étudeQualitatif
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

Citations65
Publié2016
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueConstruction Management and EconomicsMême sujetComplex Systems and Decision MakingTravaux en français237 207