MétaCan
Menu
Retour à la cohorte
Enregistrement W4387937977 · doi:10.3390/buildings13112684

Last Planner System Framework to Assess Planning Reliability in Architectural Design

2023· article· en· W4387937977 sur OpenAlexafffund
Lynn Shehab, Malak Al Hattab, Salam Khalife, Ghali El Samad, Yara Abbas, Farook Hamzeh

Notice bibliographique

RevueBuildings · 2023
Typearticle
Langueen
DomaineDecision Sciences
ThématiqueConstruction Project Management and Performance
Établissements canadiensUniversity of Alberta
Organismes subventionnairesNatural Sciences and Engineering Research Council of Canada
Mots-clésPlannerReliability (semiconductor)Systems engineeringConceptual designArchitectural designKey (lock)Benchmark (surveying)Process (computing)Computer scienceEngineeringDesign processArchitectural planArchitectural engineeringProcess managementSoftware engineeringArchitectureWork in processHuman–computer interactionOperations managementComputer security

Résumé

récupéré en direct d'OpenAlex

The Last Planner System (LPS) aims to enhance planning reliability by reducing variability in construction processes. While LPS applications have been explored in construction and detailed design, its application in architectural design remains underrepresented due to its abstract nature. This study addresses this gap by proposing an LPS framework tailored for architectural design, utilizing LPS metrics to assess planning reliability. Key issues hindering formal planning methods’ implementation are identified, and relevant LPS principles are aligned with these challenges, culminating in a conceptual LPS model designed for architectural projects. Building upon the conceptual model, an implementation model was developed and put into practice within an architectural design company in the United States, resulting in measured improvements in planning reliability and responsiveness. Additionally, it unveils hidden challenges associated with emerging tasks, guiding future design process enhancements. This study demonstrates how tracking design planning performance with LPS metrics can promote LPS adoption in architectural design, offering a benchmark for necessary interventions to achieve desired performance in architectural design.

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)0,004
score de la tête « metaresearch » (Gemma)0,002
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: Observationnel · Signal consensuel: Observationnel
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,115
Score d'incertitude au seuil1,000

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0040,002
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0010,003
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0010,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0000,001

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 Opus0,214
Tête enseignante GPT0,415
Écart entre enseignants0,201 · 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'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
Publié2023
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revueBuildingsMême sujetConstruction Project Management and PerformanceTravaux en français237 207