MétaCan
Menu
Retour à la cohorte
Enregistrement W3121739452 · doi:10.4102/sajems.v18i1.818

Cost-effective infrastructure choices in education: Location, build or repair

2015· article· en· W3121739452 sur OpenAlexaff
Glenn P. Jenkins, Armin Zeinali

Notice bibliographique

RevueSouth African Journal of Economic and Management Sciences · 2015
Typearticle
Langueen
DomaineDecision Sciences
ThématiqueConstruction Project Management and Performance
Établissements canadiensQueen's University
Organismes subventionnairesnon disponible
Mots-clésRanking (information retrieval)Counterfactual thinkingBudget constraintOrder (exchange)Constraint (computer-aided design)Key (lock)BusinessYield (engineering)Capital budgetingEnvironmental economicsComputer scienceOperations managementActuarial scienceRisk analysis (engineering)EconomicsFinanceEngineeringMicroeconomics

Résumé

récupéré en direct d'OpenAlex

The purpose of this study is to develop a model to arrive at a joint optimising strategy for capital budgeting for the construction of new school buildings and for the renovation of existing schools. This model provides a practical tool for ranking construction projects so as to yield the maximum positive impact on the education system. A key aspect of the model is that it provides the optimal mix of renovation and new construction that should be undertaken under a fixed budget constraint.The model is applied to a sample dataset from the education sector of Limpopo province, South Africa, in order to quantify the benefits of using the model. The benefits from using this model for decision making on the evaluation of new and renovation investments in school infrastructure is estimated to increase the effectiveness of these investments by up to 300 percent over the counterfactual system for making these decisions.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,004
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,581
Score d'incertitude au seuil0,324

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0040,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0010,001
Études des sciences et des technologies0,0000,000
Communication savante0,0000,001
Science ouverte0,0010,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

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.

Tête enseignante Opus0,076
Tête enseignante GPT0,362
Écart entre enseignants0,286 · 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 tête enseignante, pas un consensus.

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

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

En bref

Citations0
Publié2015
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueSouth African Journal of Economic and Management SciencesMême sujetConstruction Project Management and PerformanceTravaux en français237 207