Information commissioning: bridging the gap between digital and physical built assets
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 As the use of building information modeling (BIM) for facilities management (FM) continues to grow, questions remain around the quality and completeness of digital assets to support FM practices. This paper aims to examine the current gap between digital and physical assets in the absence of formal information requirements and its impact on the handover process. Design/methodology/approach An action-research was carried out with a large public organization to understand the challenges of their current FM processes and the steps required in developing an asset information model (AIM) from a project information model (PIM). A mixed method approach was employed with interviews, document analysis and an exploratory pilot case study. Findings This paper investigates the process, the challenges and the level of effort of the information commissioning process to create a fit-for-use AIM. Four distinct steps were identified in the process as follows: analyzing the handover PIM and documents, extracting FM-specific information, populating the model with the information and attaching operations and maintenance (O&M) documents. The research highlights the significant amount of effort that is required when no specific asset information requirements are formulated at the project onset. Practical implications The paper presents an information commissioning process that helps to develop an AIM from a PIM. Understanding the impact of the lack of requirements on the information commissioning process can help asset owners understand the importance of defining and articulating their information requirements up front. Originality/value This paper provides empirical evidence of the impact of the absence of formal information requirements on the development of a fit-for-use AIM.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| 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 découle