Qualitative analysis of Request For Information to identify design flaws in steel construction projects
Notice bibliographique
Résumé
Abstract Request for information (RFI) is a formal process used in the Architecture, Engineering and Construction industry to address design flaws that affect communication between designers and contractors. A large number of RFIs are a sign of a lack of precision or coordination in the design documents. However, RFIs produce rich, precise, and structured information. Analyzing their content can help to identify recurring problems between designers and construction teams and better tailor future projects to the working context of the contractors. This article presents a method for identifying recurring issues during the design phase of steel construction projects through the analysis of the contents of RFIs. It is original in using a qualitative content analysis tool that can analyze large quantities of RFIs rapidly. Identifying the recurrent problems of contractors will allow the establishment of rules to be taken into consideration during the design phase of future steel construction projects. A case study of 26 steel construction projects demonstrates the feasibility of this method. This case study shows that, given the same designers and construction teams, recurring problems shown in RFIs do not differ according to the scale of the projects. In this case, the main issue between designers and contractors is the lack and inadequate presentation of information related to the connection of steel components. Identifying these problems can pave the way for initiatives to improve the design phase and can be an essential step in making contractors’ knowledge available to designers early in the projects.
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 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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,003 | 0,003 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, 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 ».