Measuring Perceived Risk of Pitfalls Associated with Systems Engineering Tradeoff Analyses
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
The U.S. Department of Defense (DoD) has recently revised the defense acquisition system to address suspected root causes of unwanted acquisition outcomes. One of the major changes in the revised acquisition system is an increased emphasis on systems engineering trade-offs made between capability requirements and lifecycle costs early in the acquisition process (Cilli, Parnell, Cloutier, & Zigh, 2015). Given that systems engineering trade-off analyses will play a pivotal role in future defense acquisition efforts, this paper takes an in-depth look at the state of systems engineering trade-off analysis capability through a review of relevant literature and a survey of systems engineering professionals and military operations research professionals involved in defense acquisition. The survey was developed to measure the perceived level of difficulty associated with compliance to the revised defense acquisition system mandate for early systems engineering trade-off analyses and to measure perceived likelihood and impact of potential pitfalls within systems engineering trade-off studies. The survey instrument was designed using Survey Monkey and was deployed through a link posted on several groups within LinkedIn, a professional social media site, and was also sent directly via email to those with known experience in this research area. Although increased systems engineering activity early in the life cycle is a compelling change for DoD, the findings of the literature review and the survey of practitioners both indicate that there is much to be done in order to position the systems engineering community for success so that the improved defense acquisition outcomes as envisioned by the architects of 2015 DoDI 5000.02 can be realized.
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.
Prédiction distillée sur la base complète
Imitation des enseignantsNi 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.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
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.
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 découle