Towards Human–Robot Collaboration in Construction: Understanding Brickwork Production Rate Factors
Notice bibliographique
Résumé
This study explores the critical determinants impacting labor productivity in brickwork operations within the construction industry—a matter of academic and practical significance, particularly in the era of increasing human–robot collaboration. Through an extensive literature review on construction labor productivity, this study identifies factors affecting brickwork productivity. Data were collected from active construction sites during brick wall construction through on-site measurements and participatory observation, and the relative importance of these factors is determined using Principal Component Analysis (PCA)-factor analysis. The validity of the analysis is established through the Kaiser–Meyer–Olkin (KMO) test and Bartlett’s test of sphericity, with a KMO value of 0.544 and significance at the 0.05 significance level. The analysis reveals four principal components explaining 75.96% of the total variance. Notably, this study identifies the Euclidean distances for the top factors: weather (0.980), number of helpers (0.965), mason competency (0.934), and number of masons (0.772). Additionally, correlation coefficients were observed: wall area had the highest correlation (0.998), followed by wall length (0.853) and height (0.776). Interestingly, high correlations did not necessarily translate to high factor importance. These identified factors can serve as a foundation for predictive modeling algorithms for estimating production rates and as a guideline for optimizing labor in construction planning and scheduling, particularly in the context of human–robot collaboration.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,002 |
| 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 ».