Mobile crowdsourcing-based data collection for user-centered facility maintenance management
Notice bibliographique
Résumé
Current facility maintenance management (FMM) practices rely heavily on data collection by facility management professionals and FMM systems and, at times, results in inefficiency in facility condition data collection and decision-making for FMM. This is partially because data collection enabled by existing FMM systems lacks (1) top-down information solicitation on facility conditions, such as crowdsourcing task division, and (2) geo-referenced occupant feedback data. Mobile crowdsourcing has great potential to improve current FMM practices, especially in terms of timely data collection. In this context, this study explores the feasibility of mobile crowdsourcing for FMM data collection and highlights the associated opportunities and challenges. A survey was conducted on a university campus to gain an understanding of the human, data, system, geospatial, and automation characteristics of mobile crowdsourcing for FMM data collection on post-secondary campuses. The survey results were confirmed by FM professionals through a focus group discussion and analyzed to reveal the challenges and recommendations for mobile crowdsourcing for user-centered FMM. A conceptual framework is proposed to apply mobile crowdsourcing to the FMM. This research contributes to the body of knowledge by synthesizing the challenges and opportunities associated with mobile crowdsourcing-based data collection for facility maintenance and providing a framework for its application.
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 | 0,001 | 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 ».