MétaCan
Menu
Retour à la cohorte
Enregistrement W4281712590 · doi:10.1177/00375497221101062

Mitigating the negative impact of new buildings on existing buildings’ user comfort—a case study analysis

2022· article· en· W4281712590 sur OpenAlexafffund
Vinu Subashini Rajus, Nicolas Arellano Risopatron, William O’Brien, Gabriel Wainer, Stephen Fai

Notice bibliographique

RevueSIMULATION · 2022
Typearticle
Langueen
DomaineEnvironmental Science
ThématiqueUrban Green Space and Health
Établissements canadiensCarleton University
Organismes subventionnairesNatural Sciences and Engineering Research Council of Canada
Mots-clésArchitectural engineeringBuilding designPlan (archaeology)Built environmentOpen planWork (physics)Thermal comfortComputer scienceEngineeringCivil engineering

Résumé

récupéré en direct d'OpenAlex

Campus master plans are released every few years for developing and implementing its physical infrastructure. Open spaces, compactness, connectivity, greenness, and environmental impact have often been the focus on its framework. In particular, the effect of new building development on existing buildings' occupant comfort and design intent is mostly ignored. Providing guidelines to retain existing users' comfort for stakeholders involved in design decision making will result in improved design decisions. Hence, this research aims to provide a work methodology to mitigate the adverse effects of new buildings on existing buildings' user comfort through a case study at Carleton University. The case study shows a methodology to retain the existing users' comfort by analyzing Carleton University's master plan on massing studies, occupant survey to understand their comfort needs, performance analysis of the impact of the new building on the existing building user comfort. The analysis reveals the key parameters to consider in design for occupants' comfort. Finally, the research reinforces the generative design and the need for dynamic modeling in campus master plans to mitigate the negative implications of new development on occupants' comfort.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,001
score de la tête « metaresearch » (Gemma)0,002
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,016
Score d'incertitude au seuil0,032

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0010,002
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,001
Bibliométrie0,0010,001
Études des sciences et des technologies0,0010,001
Communication savante0,0010,001
Science ouverte0,0010,001
Intégrité de la recherche0,0010,001
Charge utile insuffisante (le modèle a refusé de juger)0,0030,000

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 Opus0,054
Tête enseignante GPT0,362
Écart entre enseignants0,307 · 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 source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeObservationnel
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'admission2
Résumé présentoui

Explorer davantage

Même revueSIMULATIONMême sujetUrban Green Space and HealthTravaux en français237 207