Assessment of Project Management Maturity Models Strengths and Weaknesses
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 purpose of this article is to analyze the most popular maturity models in order to identify their strengths and weaknesses. Research conducted by international project management communities such as Software Engineering Institute (SEI), Project Management Institute (PMI), International Project Management Association (IPMA), Office of Government Commerce (OGC) and International Organization for Standardization (ISO) showed that organizations with high managerial maturity are more likely to achieve their planned project goals than those that do not identify and standardize their best management practices. This circumstance has encouraged scientists from all over the world to start developing various models that can measure and evaluate managerial maturity in projects. Nowadays, the variety of models created has led to considerable difficulty in understanding the strengths and weaknesses of each model. To solve this problem, the article authors conducted a critical analysis to identify the strengths and weaknesses of the most popular project management maturity models. The results obtained will be of interest to project managers, members of project teams, heads of organizations, project offices and everyone involved in the development of project activities. Based on the analysis, it was found that the most developed maturity models are based on international codes of knowledge of project management. Most maturity models ignore the presence of structural and infrastructural elements, such as a workplace, the necessary equipment and software, the availability of professional standards, instructions, regulations, etc. It was also revealed that there are no processes for assessing the effectiveness and efficiency of using the best practices in the maturity models.
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 | 0,000 |
| 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 | 0,000 |
| 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