MétaCan
Menu
Retour à la cohorte
Enregistrement W4394397299 · doi:10.6084/m9.figshare.6125390

Selection of rework measurement methodology utilizing AHP method

2018· dataset· en· W4394397299 sur OpenAlexaboutno aff
Luiz De Mello, Renata Albergaria de Mello Bandeira, Nilson Brandalise

Notice bibliographique

RevueFigshare · 2018
Typedataset
Langueen
DomaineComputer Science
ThématiqueTechnology and Data Analysis
Établissements canadiensnon disponible
Organismes subventionnairesnon disponible
Mots-clésReworkAnalytic hierarchy processSelection (genetic algorithm)Computer scienceReliability engineeringOperations researchEngineeringArtificial intelligenceEmbedded system

Résumé

récupéré en direct d'OpenAlex

Abstract Civil construction has high rework rates, which entails additional costs and delays in project deadlines. In this way, several authors and entities have studied the problem and sought solutions to try to quantify and minimize the consequences of reworking. Several rework measurement methodologies have been developed, including: Construction Industry Institute Reduction Rework Program, Best Productivity Practices Implementation Index of the Construction Industry Institute, Methodology of the Construction Owners Association of Alberta, and Measuring and Classifying Construction Field Rework . In this context, this article aims to propose a procedure, based on the multicriteria analysis method Analytic Hierarchy Process – AHP, to assist in the process of selecting the most appropriate rework measurement methodology to be adopted in subsectors of the civil construction industry. The proposed procedure was applied to the industrial assembly segment, and the Rework Reduction Program methodology presented the best results regarding the rework measurement according to five criteria selected for analysis (coverage, deployment, costs, data entry and system operation), being the most indicated for use.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,006
score de la tête « metaresearch » (Gemma)0,026
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Sans objet · Signal consensuel: Sans objet
GenreSignal candidat: Jeu de données · Signal consensuel: Jeu de données
Score de désaccord entre enseignants0,010
Score d'incertitude au seuil0,035

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0060,026
Méta-épidémiologie (sens strict)0,0010,000
Méta-épidémiologie (sens large)0,0010,001
Bibliométrie0,0070,008
Études des sciences et des technologies0,0010,000
Communication savante0,0020,001
Science ouverte0,0020,001
Intégrité de la recherche0,0010,001
Charge utile insuffisante (le modèle a refusé de juger)0,0100,003

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 Opus0,218
Tête enseignante GPT0,371
Écart entre enseignants0,154 · 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 source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeSans objet
Domainenon disponible
GenreJeu de données

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations1
Publié2018
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueFigshareMême sujetTechnology and Data AnalysisTravaux en français237 207