MétaCan
Menu
Retour à la cohorte
Enregistrement W4220900789 · doi:10.1061/9780784483978.039

Integrated DEMATEL and ANP-Based Framework to Model Construction Labor Productivity

2022· article· en· W4220900789 sur OpenAlexaff
Ali Bayesteh, Elyar Pourrahimian, Ming Lu, Simaan AbouRizk

Notice bibliographique

RevueConstruction Research Congress 2022 · 2022
Typearticle
Langueen
DomaineEngineering
ThématiqueBIM and Construction Integration
Établissements canadiensUniversity of Alberta
Organismes subventionnairesnon disponible
Mots-clésProductivityProcess (computing)Computer scienceAnalytic network processSubjectivityQuality (philosophy)Decision support systemRisk analysis (engineering)Management scienceKnowledge managementIndustrial engineeringOperations researchEngineeringArtificial intelligenceBusinessEconomics

Résumé

récupéré en direct d'OpenAlex

Accurately modeling productivity is essential for ensuring that the results of construction process simulation models align with actual practice. Since collecting quantitative data is challenging and expensive, productivity models are often built using the information provided by industry experts. The subjectivity of this information, however, commonly results in oversimplified or inadequate productivity models. To address this challenge, this research has developed a novel framework that reduces the subjectivity associated with labor productivity modeling by identifying interrelationships between factors affecting productivity that individual subject experts may have overlooked. A Decision-Making Trial and Evaluation Laboratory (DEMATEL) is used to identify relationships (i.e., dependencies) between factors, which is integrated with an Analytic Network Process (ANP)-based approach to determine the strength (i.e., weight) of each relationship. Results can support decision-making or feed productivity data to simulation, empirical, or dynamic models of construction systems. Outputs of the proposed method yield higher-quality inputs for productivity modeling-based decision-support systems compared to traditional input preparation approaches. The effectiveness of the framework is demonstrated through an illustrative example.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,001
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesMéta-épidémiologie (sens strict), Charge utile insuffisante (le modèle a refusé de juger)
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Simulation ou modélisation · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,651
Score d'incertitude au seuil1,000

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0010,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0010,002
Études des sciences et des technologies0,0010,001
Communication savante0,0000,000
Science ouverte0,0000,000
Intégrité de la recherche0,0000,002
Charge utile insuffisante (le modèle a refusé de juger)0,0010,000

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.

Tête enseignante Opus0,029
Tête enseignante GPT0,298
Écart entre enseignants0,269 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.

Devis d'étudeSimulation ou modélisation
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations4
Publié2022
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueConstruction Research Congress 2022Même sujetBIM and Construction IntegrationTravaux en français237 207