Fuzzy Agent–Based Modeling of Competency and Performance Measures in Construction
Notice bibliographique
Résumé
Construction organizations are project-based organizations in which both competencies and performance develop through project execution. A competency measure is a combination of knowledge, skill, processes, practices, and/or technology possessed by a construction organization. Performance measures are used to assess an organization’s competitiveness within its industry. An organization can analyze competencies to predict and improve performance. Previous studies investigated project- and organization-level competencies with respect to performance measures. However, multilevel assessment is needed, although it is challenging because the nature of construction competency and performance measures is complex, dynamic, and subjectively uncertain. To address these challenges, this paper presents a methodology for developing a fuzzy agent–based model (FABM) of competency and performance that models a set of organizational- and project-level competency measures as decision-making entities (i.e., agents) and predicts multiple performance measures as their emergent behavior. A case study was implemented to demonstrate, verify, and validate the proposed FABM model, with encouraging results in performance prediction. The academic contribution of this paper is providing a novel systematic, bottom-up modeling approach for measuring and assessing competencies at the project and organization levels and mapping these multilevel competencies to construction performance measures. Furthermore, the outcomes of this study are expected to support construction practitioners by providing a set of comprehensive hierarchical competency and performance metrics at the project and organization levels for managerial actions taken to identify, construct, and develop competency models to assess performance at both levels.
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 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 | 0,002 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,002 | 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 | 0,000 |
| 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».