An Exploratory Study of Building Information Modelling Maturity in the Construction Industry
Notice bibliographique
Résumé
Despite the benefits of Building Information Modelling (BIM), the adoption level of BIM remains much lower than expected. Construction companies should appraise the existing condition in the BIM implementation to ascertain the applicable progress avenues that fit the user’s traits. To achieve this aim, the objectives of this paper are i) to identify the trends of BIM maturity studies ii) to conceptualise what is BIM maturity; iii) to identify the existing models of BIM maturity iv) to identify the indicators for measuring BIM maturity in the company, the project and the industry. A systematic review was conducted on BIM maturity articles, published in the Scopus database from 2008 to April 2018. The results reveal that most BIM maturity studies are dominated by authors from the United Kingdom and the United States, but the top three authors highly-cited were from Australia, Canada and the United Kingdom. The results highlight four aspects in the conceptualisation of BIM maturity: quality of use, the extent of use, the context of use and stages of the processes. The four most frequently quoted BIM maturity models are the National BIM Standard Capability Maturity Model, BIM maturity, BIM proficiency matrix and BIM implementation models. The results revealed seven major indicators for assessing BIM maturity namely information, people, policy, process, technology, organisation and BIM output. The findings advance the practitioners’ understanding of important indicators that must be considered to initiate or increase the BIM maturity levels in their respective companies or projects.
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 | 0,014 | 0,034 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,007 | 0,008 |
| Études des sciences et des technologies | 0,002 | 0,001 |
| Communication savante | 0,003 | 0,005 |
| Science ouverte | 0,001 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 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 ».