From NLP to Taxonomy: Identifying and Classifying Key Functionality Concepts of Multi-level Project Planning and Control Systems
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
Analysis of literature and industry practices in applied planning and control systems reveals a notable lack of effective processes and stakeholders' understanding regarding the optimal use of these systems. These gaps underscore the urgent need for a refined understanding and discovery of the underlying concepts of existing systems to address the complex dynamics of the planning and control domain better. Therefore, this study employed a multi-step approach using advanced text-mining techniques and expert validation to address these issues. Sentence-Bidirectional Encoder Representations from Transformers (SBERT) for semantic analysis, hierarchical clustering, and word cloud visualization were applied to classify and validate project planning and control system functionality concepts into coherent clusters. Furthermore, a robust taxonomy of functionality concepts was developed by meticulously analysing the findings as well as considering the domain experts' insights. As a result, 148 project planning and control systems' functionalities were classified into 20 coherent clusters with an average 87% alignment rate. A robust taxonomy of these functionalities was then formulated, emphasizing their importance across various scheduling levels. This taxonomy captures the complexities of project planning and control systems, facilitating informed decision-making and the integration of diverse planning and control systems to handle project complexities. The research significantly contributes to the field by clarifying the core concepts of project planning and control systems, making them more understandable and actionable for project stakeholders.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,003 |
| 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