MétaCan
Menu
Retour à la cohorte
Enregistrement W2512022364 · doi:10.2166/ws.2006.824

The Canadian National Water and Wastewater Benchmarking Initiative. Using process to drive improvement: strategic management of water in urban areas

2006· article· en· W2512022364 sur OpenAlexaboutno aff
David Main, L Ng, Andy North

Notice bibliographique

RevueWater Science & Technology Water Supply · 2006
Typearticle
Langueen
DomaineEngineering
ThématiqueWater Systems and Optimization
Établissements canadiensnon disponible
Organismes subventionnairesnon disponible
Mots-clésBenchmarkingBenchmark (surveying)Best practiceTeamworkProcess (computing)Work (physics)Metric (unit)Process managementBusinessEnvironmental economicsComputer scienceOperations managementEnvironmental planningEngineeringMarketingEnvironmental scienceEconomics

Résumé

récupéré en direct d'OpenAlex

Earth Tech has been successfully benchmarking Canadian municipal water, wastewater and stormwater utility operations since 1997. While the fundamental purpose of this project was metric benchmarking for the purpose of making performance comparisons to guide continuous improvement, the project is now serving as a dynamic platform to consider, examine, and implement a broad range of utility best practices that have resulted in superior performance where they have been implemented. The keys to success, however, were based more on a process that emphasizes communication, teamwork, and collaboration rather than the trend to push computerized data management systems to their fullest potential, and most importantly, in recognizing the importance of ‘hard work’. With these success factors now well understood and documented, it is feasible to benchmark almost any public infrastructure amongst agencies that are willing, regardless of their level of technological development. Finally, by sharing this methodology, the performance measure descriptions and detailed definitions, it is also feasible to make international comparisons in a simple and cost effective manner, thus opening the door to the broad exchange of international best practices.

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 distillée sur la base complète

Imitation des enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,001
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Expérimental (laboratoire) · Signal consensuel: Expérimental (laboratoire)
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,256
Score d'incertitude au seuil0,998

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0010,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0010,000
Études des sciences et des technologies0,0010,000
Communication savante0,0000,001
Science ouverte0,0010,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

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 Opus0,009
Tête enseignante GPT0,202
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 tête enseignante, pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeExpérimental (laboratoire)
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

Citations0
Publié2006
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueWater Science & Technology Water SupplyMême sujetWater Systems and OptimizationTravaux en français237 207