MétaCan
Menu
Retour à la cohorte
Enregistrement W4226391331 · doi:10.5267/j.jpm.2022.3.001

Monte Carlo simulation in an elementary school building

2022· article· en· W4226391331 sur OpenAlexvenueno aff
Anderson Edwin Antialon Macias, Deiby Luis Medina Corilloclla, Marcia Yesenia Jeremias Porras, Roy Monteagudo Venero, Jimmy Alberth Deza Quispe

Notice bibliographique

RevueJournal of Project Management · 2022
Typearticle
Langueen
DomaineDecision Sciences
ThématiqueConstruction Project Management and Performance
Établissements canadiensnon disponible
Organismes subventionnairesnon disponible
Mots-clésSustainabilityStatisticMonte Carlo methodProfitability indexAttendanceEnvironmental economicsPovertyInvestment (military)BusinessRisk analysis (engineering)Actuarial scienceComputer scienceEconomicsEconomic growthFinancePolitical scienceMathematics

Résumé

récupéré en direct d'OpenAlex

Education is the future. Education is the only way for a country to start developing and reducing poverty. In countries with medium incomes like Peru, the resources to spend on education is not unlimited. Therefore, it is necessary to have quality in investment. However, risks and uncertainty can make a project surpass its initial budget. Therefore, statistic based methods like Monte Carlo simulation is a powerful tool to forecast possible events that might endanger the profitability and sustainability of a project. Although there is not plenty of academic literature about Monte Carlo empirical usage, many projects employ this method to manage the possible risks the project could have. In consequence, the current research analyzed both risk and sensitivity of an elementary school building project. Both analyses showed that this project had huge probabilities to surpass the current profit and return estimations. However, the sensitivity analysis portrayed that the project could be endangered because of infrastructure overspending. Moreover, it indicated that students’ attendance is also a critical factor to ensure the sustainability of the project.

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)0,006
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesCharge 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 enseignants0,539
Score d'incertitude au seuil1,000

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0060,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0020,002
Études des sciences et des technologies0,0000,000
Communication savante0,0000,001
Science ouverte0,0010,001
Intégrité de la recherche0,0000,000
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 Opus0,106
Tête enseignante GPT0,427
Écart entre enseignants0,321 · 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

Citations2
Publié2022
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueJournal of Project ManagementMême sujetConstruction Project Management and PerformanceTravaux en français237 207