Hybrid fuzzy Monte Carlo agent-based modeling of workforce motivation and performance in construction
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
Purpose This paper aims to cover the development of a methodology for hybrid fuzzy Monte Carlo agent-based simulation (FMCABS) and its implementation on a parametric study of construction crew performance. Design/methodology/approach The developed methodology uses fuzzy logic, Monte Carlo simulation and agent-based modeling to simulate the behavior of construction crews and predict their performance. Both random and subjective uncertainties are considered in model variables. Findings The developed methodology was implemented on a real case involving the parametric study of construction crew performance to assess its applicability and suitability for this context. Research limitations/implications This parametric study demonstrates a practical application for the hybrid FMCABS methodology. Though findings from this study are limited to the context of construction crew motivation and performance, the applicability of the developed methodology extends beyond the construction domain. Practical implications This paper will help construction practitioners to predict and improve crew performance by taking into account both random and subjective uncertainties. Social implications This paper will advance construction modeling by allowing for the assessment of social interactions among crews and their effects on crew performance. Originality/value The developed hybrid FMCABS methodology represents an original contribution, as it allows agent-based models to simultaneously process all types of variables (i.e. deterministic, random and subjective) in the same simulation experiment while accounting for interactions among different agents. In addition, the developed methodology is implemented in a novel and extensive parametric study of construction crew performance.
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 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,004 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| 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