Unraveling the Phenomenon of Construction Labor Productivity: A Cutting-Edge Bibliometric Analysis
Notice bibliographique
Résumé
Construction Labor Productivity (CLP) is a critical factor in the construction industry that can significantly influence the success of a project. The lack of comprehensive knowledge and proficiency in CLP and its substantial impact on project outcomes is a significant concern. CLP is a highly effective concept that can significantly improve the overall efficiency of construction projects. While it has received considerable academic attention, it is still relatively underutilized in practice. This academic analysis aims to identify trends within the CLP as revealed by a comprehensive review of existing academic research. A bibliometric analysis, complemented by a descriptive quantitative statistical methodology, was utilized to evaluate the performance metrics and delineate the thematic landscape about the subject matter of CLP. Employing distinct keywords pertinent to the CLP phenomenon and applying specific criteria for metadata exploration facilitated a comprehensive search within the Scopus and Web of Science databases. The PRISMA flowchart was employed as a systematic approach for the identification, screening, and eligibility evaluation of metadata to be incorporated into this study. The study highlights growing CLP research, led by the US and the University of Alberta. Key trends include “improvement” and “construction equipment,” with future focus on “machine learning” and “artificial intelligence.” Despite their potential, data challenges limit their use. More research is needed in developing countries to enhance construction labor productivity
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 | 0,004 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,058 | 0,236 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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; les deux têtes enseignantes s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».