Building absorptive capacity in a mega-project program alliance: Learning to mitigate rework
Notice bibliographique
Résumé
Collaborative procurement forms such as program alliancing can create a burgeoning environment for absorptive capacity to materialize, enabling learning and rework to be mitigated. However, little is known about the learning routines and practices enabling program alliances to tackle their rework effectively. As a result, this has stymied best practices that can be used to reduce rework from being made available to other construction organizations. This paper fills this void by addressing the following research question: How does a program alliance develop its absorptive capacity to learn and mitigate its rework? We use an illustrative case study approach to draw on the practices of a transport mega-project (>AU19 billion) delivered using a series of program alliances to address our research question. We reveal how one of its program alliances utilized its absorptive capacity to assimilate and apply new knowledge to manage errors and mitigate rework. Additionally, we unearth the presence of desorptive capacity, as the alliance exploited its error knowledge and transferred it to others as part of an incentivization scheme manufactured by the client authority to stimulate learning and continuous improvement within the project. The knowledge gleaned from the program alliance case examined in this paper provides an opportunity for organizations to learn how to deal with errors and rework, which has been absent in the literature.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,011 | 0,019 |
| 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 | 0,007 | 0,009 |
| Communication savante | 0,008 | 0,008 |
| Science ouverte | 0,002 | 0,018 |
| Intégrité de la recherche | 0,002 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,007 | 0,001 |
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.
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 source (Gemma direct ou Codex distillé), 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 ».