Benchmarking operational performance of buildings by text mining tenant surveys
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
Facility managers of large commercial and institutional buildings periodically collect text-based survey data from their tenants. While these large and amorphous datasets contain valuable information to benchmark operational performance and identify anomalies, it is time and resource-intensive to hire employees to read and analyze the datasets and extract insightful information from them. This paper presents a natural language processing-based methodology to extract operational insights from tenant survey databases. It also incorporates the verification of extracted complaint patterns using computerized maintenance management systems (CMMS) on a smaller scale. Tenant survey databases are comprised of free-text responses from tenants regarding annual/bi-annual survey responses that building managers request as a source of solicited feedback. CMMS databases consist of unsolicited complaints that are logged by tenants who are under discomfort/dissatisfaction with no additional prompt from a building operator/manager. The effectiveness of this methodology is demonstrated by gaining operational insights from tenant feedback gathered using survey data from a large office building in Ottawa, Canada. Different algorithms for sentiment analysis, association rule mining, and topic modeling are employed in the analysis to consolidate the textual data into common thermal and maintenance complaint categories. The accuracy of different text analytics algorithms is compared, and their effectiveness in analyzing tenant survey responses is discussed. Patterns of unsolicited tenant work order requests are contrasted to those observed in the survey responses. The results indicate that the floors that frequently submit work order requests are also likely to submit a large number of negative survey responses.
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) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| 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 découle