Studying Potentials and Barriers of Successful Implementation of Smart Contracts in Saudi Arabia’s Construction Industry
Notice bibliographique
Résumé
Smart contracts have the ability to address a variety of important obstacles in the construction business, such as contract conflicts and payment issues. Likewise, it may facilitate the adoption of building information modeling (BIM) in the industry. Poor adoption of distributed ledger technology in the Arabian construction sector stems from a variety of impediments. The usage of smart technology is growing in popularity across the globe in the recent few years. Nonetheless, in the Arab world, there are not enough experts who are aware of how smart contract technology can make the construction sector more efficient, collaborative, and transparent in the digital era. With that in mind, the purpose of this study is to evaluate the benefits and drawbacks of using smart contracts in the construction industry. To accomplish its goals, this study mostly uses descriptive statistics to analyze the collected data from questionnaire surveys. This research utilizes an illustrative diagram to map the potentials and obstacles to the adoption of smart contracts from the respondents’ perspective. According to the conducted analysis, there are five main potentials and barriers to smart contract implementation, namely, the Internet of Things, data reliability, stakeholders, security for distributed systems, and finance and economics. Additionally, the questionnaire survey yielded 21 potentials such as better risk allocation, decreased transaction time and cost, and ease of understanding by multiple stakeholders. Moreover, the conducted survey obtained 19 barriers such as slow learning curve, high training and education costs, and cybersecurity concerns. It can be argued that the present research study can assist in endorsing the adoption of smart contracts in the Arabian construction market.
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 ».