MétaCan
Menu
Retour à la cohorte
Enregistrement W4389384817 · doi:10.1051/e3sconf/202345501012

Modelling the Critical Success Factors of Net-zero Energy Buildings in India

2023· article· en· W4389384817 sur OpenAlexaff
Ashish Trivedi, Vibha Trivedi, Sushil S. Chaurasia

Notice bibliographique

RevueE3S Web of Conferences · 2023
Typearticle
Langueen
DomaineEngineering
ThématiqueBuilding Energy and Comfort Optimization
Établissements canadiensUniversity of New Brunswick
Organismes subventionnairesnon disponible
Mots-clésContext (archaeology)Government (linguistics)Greenhouse gasClimate changeInterviewBusinessZero-energy buildingInvestment (military)Environmental economicsEnvironmental resource managementArchitectural engineeringEfficient energy usePolitical scienceEngineeringEconomicsGeographyEcology

Résumé

récupéré en direct d'OpenAlex

Amidst the widespread consciousness and several awareness programs to combat the adverse impact of greenhouse gas emissions on the climate, Net-zero energy buildings (NZEB) have emerged as one of the potential solutions. Various factors, including the need for heavy initial capital investment, weather conditions, government regulations, policies, training and development, technology, and so forth, were figured out by carrying out a literature review and interviewing the area experts. Further, investigating the inter-contextual relationships helps to have key success factors of NZEBs in India that are multidimensional in nature. To achieve this goal, the Interpretive Structural Modelling (ISM) approach was employed to compute the mutual influence of the ten key success factors in the Indian context. The results report that favorable weather conditions, government policies, and regulations are the most crucial factors for the NZEB sectoral development in Indian contexts.

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)0,000
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: Simulation ou modélisation
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,126
Score d'incertitude au seuil0,271

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0000,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
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 Opus0,020
Tête enseignante GPT0,234
Écart entre enseignants0,214 · 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

Citations3
Publié2023
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueE3S Web of ConferencesMême sujetBuilding Energy and Comfort OptimizationTravaux en français237 207