Demographics as Determinants of Building Occupants’ Indoor Environmental Perceptions: Insights from a Machine Learning Incremental Modeling and Analysis Approach
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 relationship between the demographical characteristics of building occupants and their perception of indoor comfort is increasingly being studied. However, the added value from accounting for such characteristics when modeling and predicting occupants’ perceptions remains unclear. An incremental machine learning (ML) modeling and analysis approach is proposed to quantify the influence of four demographical factors (gender, age, nationality, and time lived in the environment) on occupants’ perceptions of their indoor environment conditions. A three-step methodology is presented: (1) data collection through sensors and a questionnaire administered on 206 occupants of academic and office buildings in Abu Dhabi, UAE, (2) development of ML models (i.e., support vector machine, random forest, and gradient boosting) to predict occupants’ perceptions under different scenarios of demographical representation (i.e., from no representation to all demographical parameters included), and (3) analysis of the impact of demographical parameters’ inclusion on the performance of the ML models in terms of predictive accuracy, F1-scores, and computing time. Results confirm that including demographical variables could increase prediction accuracy and F1-scores by approximately 19% and 56%, respectively. However, in some instances, the inclusion of these variables reduced model performance while increasing computing time by as much as 50%. A detailed discussion is presented on the comparative performance of the different tested ML algorithms and the need to strike a balance between increasing model complexity and computational costs.
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 | 0,001 | 0,001 |
| 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 | 0,001 |
| 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