Using Qualitative Indicators in Infrastructure Assessment Using the Functionality–Resiliency–Sustainability Framework
Notice bibliographique
Résumé
This paper presents the implementation of decision criteria template to incorporate qualitative indicators in functionality, resiliency and sustainability assessments of stormwater infrastructure using the Functionality–Resiliency–Sustainability Framework. Qualitative attributes, even though deemed important, are usually not included, or adequately considered because of their inherent subjectivity associated with assessing them. Whenever qualitative indicators are used in practice, an ordinal scale such as poor, fair, good, very good is frequently applied. However, depending on the understanding and priorities of the evaluator, the meaning of poor, fair, good and very good score can differ significantly. Such indicators were generally not intended to facilitate engineering solutions but rather management related concerns. However, understanding the issues behind using qualitative measures is critical for stormwater infrastructure because many non-conventional indicators—which are frequently non-technical measures—can be used to assess the resiliency and sustainability of stormwater system. Moreover, there are few resources to adapt specific qualitative factors to quantitative equivalents. To address this gap, a decision criteria template is developed to score qualitative indicators within a multi-criteria assessment approach so that consistency, transparency, and subjectivity in the assessment can be addressed. The indicator scoring template is illustrated in an example stormwater system in city of Windsor, Ontario, Canada. Based on the analysis done using the decision criteria matrix, it was found that city of Windsor's stormwater infrastructure resiliency is relatively better than its assessed functionality and sustainability.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».