Bias versus error: why projects fall short
Notice bibliographique
Résumé
Purpose Worldwide, major projects often make the headlines as they suffer from a fourfold whammy of delays, cost blowouts, benefit shortfalls and stakeholder disappointments. It seems that error and bias can explain their underperformance. Which overarching explanation outweighs the other? It is the question this paper aims to address. Design/methodology/approach Insights are garnered from decades of research on thousands of major projects in developed and developing countries worldwide. In particular, two high-profile project cases, the Veteran Affairs Hospital in Aurora, Colorado (USA) and the Philharmonie de Paris (France), are explored. Findings The case projects show that error and bias combine to best explain project (under) performance. Applying best practices or debiasing project cost and benefit estimates is insufficient to prevent cost blowouts and benefit shortfalls. The confrontation of the two overarching explanations is not merely platonic. It is real and may lead to a media and legal battle. Originality/value This viewpoint calls practitioners to transcend the error versus bias debate and reconcile two key characters in the world of major projects: the “overoptimistic” who hold a bias for hope and firmly believe that, despite error down the road, many projects would, in the end, “stumble into success” as creativity may come to the rescue; and the “overpessimistic” who hold a bias for despair and think many projects should not have been started.
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 | 0,160 | 0,462 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,005 | 0,007 |
| Études des sciences et des technologies | 0,005 | 0,019 |
| Communication savante | 0,014 | 0,016 |
| Science ouverte | 0,003 | 0,008 |
| Intégrité de la recherche | 0,004 | 0,005 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,008 | 0,003 |
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 ».