Determining Factors Influencing BIM Adoption: A Competency-Driven Approach
Notice bibliographique
Résumé
Building information modeling (BIM) adoption has received increasing attention over the past two decades due to its potential to revolutionize the built asset industry. Several different characteristics, facilitators, and drivers of BIM adoption have been identified, which has led to the development of BIM adoption frameworks and guidelines. Many of these elements and frameworks have focused on specific organizational-, project-, or industry-level characteristics. Few have taken a competency-based approach to BIM adoption. Thus, this paper aims to empirically evaluate and validate the factors influencing BIM adoption within organizations operating in the built asset industry as understood through the evolution of their BIM competency profiles. The research consists of a mixed-method data collection on a sample set of 368 organizations participating in the Initiative Québécoise pour la Construction 4.0 (IQC 4.0). The research method of analysis is based on a bivariate approach for testing the correlation between the variables concerning the organization’s internal characteristics and their BIM competency development level. The findings show that the factors, which include field of activity, BIM experience, size, financial capacity, and geographical location, are correlated to an organization’s BIM competency development level; in parallel, an organization’s perceived maturity is strongly correlated. The results from this research can be potentially useful to properly guide and structure governmental initiatives supporting competency development for digital transformation.
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 | 0,000 |
| 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 ».