Overview of occupant-centric KPIs for building performance and their value to various building stakeholders
Notice bibliographique
Résumé
Recognizing the significance of occupants and their interactions with the building’s operational systems, various occupant-related key performance indicators (KPIs) have been established. However, there remains a notable gap concerning the practical utilization of these indicators by building stakeholders. Therefore, this study provides a comprehensive overview of the occupant-related building performance KPIs and how various building stakeholders influence them through their decision-making. The study assessed: (1) roles of various building stakeholders; (2) stakeholders’ requirement for occupant-centric KPIs in their decision-making process; (3) factors demonstrating effective occupant-centric KPIs along with data requirements to evaluate them; and (4) stakeholders’ decisions and actions that affect occupant-centric KPIs. Key stakeholders identified involved investors, building owners, designers, building occupants, building managers and operators, as well as utility providers. Effective occupant-centric KPIs were characterised by their fit-for-purpose, actionability, quantifiability, comparability, reproducibility, integrability, feasibility, and usability. Results indicated that building managers and operators primarily affect thermal, air quality, and visual KPIs. Building occupants, public authorities, investors, building owners, and designers influence all categories of occupant-centric KPIs. Utility providers particularly impact thermal KPIs. In conclusion, findings of this study contribute to shaping the way in which stakeholders consider occupants in their decision-making to achieve building performance objectives by data-driven occupant-centric KPIs.
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 ».