MétaCan
Menu
Retour à la cohorte
Enregistrement W3048392534 · doi:10.3311/ccc2020-031

Improving But-For Delay Analysis and Concurrency Assessment

2020· article· en· W3048392534 sur OpenAlexaff
Moneer Bhih, Hegazy Tarek

Notice bibliographique

Revuenon disponible
Typearticle
Langueen
DomaineDecision Sciences
ThématiqueConstruction Project Management and Performance
Établissements canadiensUniversity of Waterloo
Organismes subventionnairesnon disponible
Mots-clésViewpointsConcurrencyComputer scienceStatic timing analysisStatic analysisCritical path methodRisk analysis (engineering)Operations researchSoftware engineeringDistributed computingProgramming languageSystems engineeringEngineeringEmbedded system

Résumé

récupéré en direct d'OpenAlex

But-For analysis is one of the popular techniques for apportioning the responsibility for project delays among the project parties (owner, contractor, and third party).Despite its acceptance by courts, one of its known drawbacks is that it produces conflicting results when adopting different party's viewpoints.Moreover, But-For analysis is not able to identify the concurrent delays caused by multiple parties.Despite some literature modifications to address those shortcomings, Modified But-For (MBF) analysis persistently does not consider event chronology and thus can produce wrong results.This paper thus discusses the concurrency assessment method of the MBF and introduces implementation improvements to divide the analysis into multiple windows to increase the analysis resolution, account for critical path fluctuations, and consider the chronology of different-party events, which is a requirement by recent delay analysis guidelines of professional bodies such as AACE and ASCE.A case study is used to show a detailed procedure for applying multiple-window MBF analysis to produce more accurate and repeatable delay analysis, considering concurrent delays.

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 machine sur la base complète

Imitation des enseignants

Ni prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.

score de la tête « metaresearch » (Codex)0,005
score de la tête « metaresearch » (Gemma)0,024
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Théorique ou conceptuel · Signal consensuel: aucune
GenreSignal candidat: Méthodes · Signal consensuel: Méthodes
Score de désaccord entre enseignants0,008
Score d'incertitude au seuil0,027

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0050,024
Méta-épidémiologie (sens strict)0,0020,001
Méta-épidémiologie (sens large)0,0010,002
Bibliométrie0,0040,002
Études des sciences et des technologies0,0010,001
Communication savante0,0030,005
Science ouverte0,0020,002
Intégrité de la recherche0,0010,002
Charge utile insuffisante (le modèle a refusé de juger)0,0060,001

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 Opus0,114
Tête enseignante GPT0,403
Écart entre enseignants0,289 · 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 source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeThéorique ou conceptuel
Domainenon disponible
GenreMéthodes

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations1
Publié2020
Routes d'admission1
Résumé présentoui

Explorer davantage

Même sujetConstruction Project Management and PerformanceTravaux en français237 207