MétaCan
Menu
Retour à la cohorte
Enregistrement W4385520378 · doi:10.1139/cjce-2022-0310

Analysing delay factors in construction projects using Z-number approach: insights from Pakistan

2023· article· en· W4385520378 sur OpenAlexvenueno aff
Muhammad Nadeem, Izhar Mithal Jiskani, Muhammad Salman Urwat, Salah Uddin, Kamran Akhtar, Nadar Hussain Khokhar

Notice bibliographique

RevueCanadian Journal of Civil Engineering · 2023
Typearticle
Langueen
DomaineDecision Sciences
ThématiqueConstruction Project Management and Performance
Établissements canadiensnon disponible
Organismes subventionnairesnon disponible
Mots-clésContext (archaeology)ProcurementCost overrunPrioritizationProject managementReliability (semiconductor)Government (linguistics)Integrated project deliveryConstruction industryRisk analysis (engineering)Computer scienceBusinessOperations managementEngineeringProcess managementConstruction engineeringSystems engineeringMarketing

Résumé

récupéré en direct d'OpenAlex

Delays are a pervasive challenge in the global construction industry, requiring more consideration to address project failure. This research proposes an improved methodology for analysing delays in the construction industry. Through a literature review, a set of 85 delay factors was identified and classified into five categories aligned with the various project phases: initiation, design, procurement, execution, and closeout. A method based on the Z-number theory was developed for the evaluation and prioritization of delay factors in the context of Pakistan. This approach incorporates expert judgment, confidence level, and experience to enhance the reliability of the evaluation. The research findings underscore the substantial influence of several critical factors on project delays. Specifically, factors such as cost inflation, contractor financial issues, inadequate project supervision and management, adverse weather conditions, insufficient skilled labour, delays in government document approvals, and unforeseen cost escalations during construction emerged as the foremost contributors to project delays.

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 candidatesaucune
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 enseignants0,421
Score d'incertitude au seuil0,942

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0010,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0020,003
Études des sciences et des technologies0,0000,000
Communication savante0,0000,001
Science ouverte0,0000,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

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 Opus0,074
Tête enseignante GPT0,304
Écart entre enseignants0,230 · 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.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
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

Citations5
Publié2023
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueCanadian Journal of Civil EngineeringMême sujetConstruction Project Management and PerformanceTravaux en français237 207