Mixed qualitative–quantitative approach for bidding decisions in construction
Notice bibliographique
Résumé
Purpose The bid/no-bid decision is critical to the success of construction contractors. The factors affecting the bid/no-bid decision are either qualitative or quantitative. Previous studies on modeling the bidding decision have not extensively focused on distinguishing qualitative and quantitative factors. Thus, the purpose of this paper is to improve the bidding decision in construction projects by developing tools that consider both qualitative and quantitative factors affecting the bidding decision. Design/methodology/approach This study proposes a mixed qualitative-quantitative approach to deal with both qualitative and quantitative factors. The mixed qualitative-quantitative approach is developed by combining a rule-based expert system and fuzzy-based expert system. The rule-based expert system is used to evaluate the project based on qualitative factors and the fuzzy expert system is used to evaluate the project based on the quantitative factors in order to reach the comprehensive bid/no-bid decision. Findings Three real bidding projects are used to investigate the applicability and functionality of the proposed mixed approach and are tested with experts of a construction company in Alberta, Canada. The results demonstrate that the mixed approach provides a more reliable, accurate and practical tool that can assist decision-makers involved in the bid/no-bid decision. Originality/value This study contributes theoretically to the body of knowledge by (1) proposing a novel approach capable of modeling all types of factors (either qualitative or quantitative) affecting the bidding decision, and (2) providing means to acquire, store and reuse expert knowledge. Practical contribution of this paper is to provide decision-makers with a comprehensive model that mimics the decision-making process and stores experts' knowledge in the form of rules. Therefore, the model reduces the administrative burden on the decision-makers, saves time and effort and reduces bias and human errors during the bidding process.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,013 | 0,021 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,003 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,002 |
| Communication savante | 0,004 | 0,003 |
| Science ouverte | 0,002 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,005 | 0,001 |
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 source (Gemma direct ou Codex distillé), 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 ».