Multidomain Drivers of Occupant Comfort, Productivity, and Well-Being in Buildings: Insights from an Exploratory and Explanatory Analysis
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
Effective building management strategies require a clear understanding of how occupants perceive their indoor environmental conditions. Despite their important findings, previous studies were mostly limited to single-domain evaluations of the indoor environment (e.g., thermal, visual, acoustic, or air quality), and rarely considered general well-being or productivity metrics. A holistic data analysis approach is proposed to quantify the multidomain drivers of overall comfort, perceived productivity, and perceived happiness of occupants. The approach combines exploratory and explanatory analysis methods (correlation, correspondence analysis, and machine learning) and was demonstrated using data collected from 206 occupants of 3 buildings in Abu Dhabi, United Arab Emirates. Results showed that satisfaction levels with noise, air quality, and temperature are the main drivers of the studied multidomain metrics. However, threshold-based relationships were observed at the comfort scale’s extremes, challenging the linearity assumption often adopted in previous studies. Practical implications of the findings include focusing facility management efforts on specific environmental domains that act as levers for overall satisfaction and well-being, instead of aiming to improve satisfaction with all domains simultaneously. Such levers are context-dependent, confirming the need for the proposed data analysis approach that is applicable to any built environment. Finally, the case study also highlighted the modeling capabilities of the tested machine learning algorithms (support vector machine, random forest, and gradient boosting), which achieved predictive accuracies up to 38% higher than those of regression-based statistical models.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| 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 découle