Assessing the Inclusiveness of Built Facilities: A Case Study of Higher Education Facilities
Notice bibliographique
Résumé
The purpose of this paper is to develop a quantitative appraisal model for assessing the inclusiveness of built facilities in higher education institutions. The Building Inclusiveness Assessment Score, or the BIAS, developed is used to assess the inclusiveness of the built facilities in the Hong Kong University. Design/methodology/approach ñ In this study, a comprehensive review of relevant guides and manuals in Canada, Hong Kong, Singapore, the US and the UK is conducted. Two Multiple-criteria Decision Analysis (MCDA) techniques, the Analytic Hierarchy Process (AHP) and the Non-structural Fuzzy Decision Support System (NSFDSS), are studied and compared and the latter is applied to analyse the weightings of inclusion attributes. On-site appraisals of 28 buildings in the Main Campus of the Hong Kong University are carried out and shortcomings resulting in exclusion are identified. Findings ñ Using the BIAS, the common areas of the built facilities in the Hong Kong University are appraised. As suggested by the preliminary result, the built facilities are not fully inclusive and there are ample rooms to improve their inclusiveness. Areas that require immediate attention are those related to the access and the safety of persons with disabilities (PWDs). Originality/value ñ Access audit and access appraisal are the methods adopted to appraise the inclusiveness of built facilities nowadays. This research seeks to obviate their shortcomings by minimising the subjective judgements of the assessors in the BIAS proposed. Compare with earlier studies in the subject, more quantitative elements are incorporated into the BIAS and its assessment procedures are detailed.
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 | 0,000 | 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 ».