Mitigating Project Schedule Risks by Identifying Subcritical Paths and Variance-Critical Activities
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Significant risks in project completion delay could be buried in the development of project schedules because of theoretical flaws in project schedule risk analysis. Major project delays hamper infrastructure development endeavors and cause negative consequences to project finance, the public interest, and socioeconomic growth. This research critically reviews the theoretical foundation of the Program Evaluation and Review Technique (PERT) and identifies two major flaws: (1) failing to account for variances of activities on subcritical paths; and (2) lacking the functionality of characterizing variance-criticality for activities in a project network. Further, the path variance-criticality index and the activity variance-criticality index are formalized for defining the subcritical path(s) and identifying the variance-critical activities. Reducing time duration variances in the identified variance-critical activities exerts a significant impact on mitigating project schedule delay risks. A case study is given to illustrate the analytical steps for identifying variance-critical activities in a project. Monte Carlo simulations were conducted to validate the effectiveness of the proposed analytical approach. The enhanced PERT for project schedule risk analysis is instrumental in (1) identifying critical and subcritical paths in the project network model; (2) clarifying the notion of variance-criticality for prioritization of activities based on the impact of activity time variance on project time variance; and (3) reining in project schedule risks by reducing time duration variances on those variance-critical activities in project planning.
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.
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 | 0,002 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| 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 découle