Hybrid GA-MANFIS Model for Organizational Competencies 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
The majority of competency and performance modeling methods available in the literature are deterministic conceptual, statistical, and/or regression models that cannot capture the subjective uncertainty, complex, and nonlinear relationships inherent in construction, which makes accurate prediction difficult. Past studies utilized neuro-fuzzy system (NFS) models, such as adaptive neuro-fuzzy inference system (ANFIS), that combine the learning power of artificial neural networks and functionality of fuzzy systems to develop accurate predictive models. ANFIS is robust, fast, and effective in solving complex problems for a range of real-world construction engineering and management (CEM) applications. NFS models such as ANFIS have some limitations in handling multiple outputs common in construction industry problems, such as being prone to early convergence due to local minima entrapment. To address these limitations, this paper proposes a hybrid NFS combining the evolutionary optimization technique of a genetic algorithm (GA) with a multi-output adaptive neuro-fuzzy inference system (MANFIS) that can handle multi-input multi-output (MIMO) problems for CEM applications. The proposed modeling approach is demonstrated using a case study that showed good results in predicting multiple organizational performance metrics using organizational competencies. The contributions of this paper are threefold: It (1) proposes a novel methodology of integrating different computing techniques for developing a GA-based multi-output adaptive neuro-fuzzy inference system (GA-MANFIS) model that can handle complex and nonlinear MIMO problems inherent in construction processes and practices; (2) relates organizational competencies to performance and predicts multiple organizational performance metrics; and (3) provides a GA-based feature selection approach that reduces data dimensionality, enabling identification of organizational competencies that significantly influence organizational performance. By uniquely integrating these techniques, this model enables construction organizations to evaluate their competencies and predict multiple organizational performance metrics simultaneously, and researchers can adapt it for a variety of construction contexts.
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 | 0,000 | 0,000 |
| 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