Towards a taxonomy for real estate and land automated valuation systems
Notice bibliographique
Résumé
Purpose Automated valuation models have been in use at least for the last 50 years in both academia and practice, while automated valuation recently re-emerged as very important with the rise of digital infrastructure. The current state of the art, therefore, justifies the dual contributions of this paper: organising existing knowledge and providing a new framework. Design/methodology/approach This paper provides much-needed analysis and synthesis of the accumulated body of knowledge by proposing an updated classification of automated valuation approaches based on two criteria, and a taxonomy adapted to new trends. The latter requires a paradigm shift from models to automated valuation systems. Both classification and taxonomy arose after literature review. Findings This paper provides a framework for an explicit context under which automated valuation is carried out. To do so, authors propose a definition of automation valuation systems; contextualise the differences among theories, approaches, methods, models and systems present in automated valuation and introduce a classification of automated valuation approaches and a non-hierarchical taxonomy of automated valuation systems. Research limitations/implications Perhaps, a systematic literature review process instead of a selective list of 100 references could additionally validate the proposed classification and taxonomy. Practical implications The new framework, underlying various dimensions of the automated valuation process, can help practitioners surpass judging models based purely on their predictive accuracy. Also, the automated valuation system is a more generic term that can better accommodate future research coming from a multitude of disciplines, more diverse business areas and enlarged variety of practical users. Originality/value This is the first paper that develops a taxonomy of automated valuation systems.
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 | 0,001 | 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 | 0,000 |
| 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 ».