An eco asset ontology towards effective eco asset management
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
Purpose The purpose of this paper is to develop an ontology of eco or natural assets to represent eco asset knowledge at two levels: eco asset metal model and eco asset ontology (EA_Onto). The three objectives of this paper are to: define eco assets explicitly to reach a common understanding of the terms; evaluate the ontology; and discuss a potential area of application. Design/methodology/approach A seven-step methodology was used to develop the proposed ontology: define the scope; develop the eco asset meta model (EA_MM), define taxonomy, code ontology, capture ontology, evaluate ontology and document ontology. Findings The EA_MM was developed to represent eco asset domain knowledge, which was further extended to develop the EA_Onto, explicitly defining the eco asset knowledge in asset management. As a part of evaluation, it was found that the knowledge representation is consistent, concise, clear, complete and correct. Practical implications Theoretically, the proposed ontology is a significant contribution to the body of knowledge in asset management. Practically, the knowledge representation provides a common understanding of eco assets for asset management experts. In addition, it will be used in applications for effective eco asset management. Originality/value The current literature lacks explicit declaration of eco assets, how they are related to built environment for effective integration and how asset management functions are to be applied to accomplish effective eco asset management. Presently, eco assets are managed on an ad hoc basis, which need to be explicitly defined through developing an EA_Onto for implementation in applications for effective eco asset management.
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) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,003 | 0,003 |
| Intégrité de la recherche | 0,000 | 0,000 |
| 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