Sensor adoption in the construction industry: Barriers, opportunities, and strategies
Notice bibliographique
Résumé
This paper examines the underutilization of sensors in the construction industry despite their significant potential for improving performance. A systematic review was conducted on research published between 2004 and 2024, identifying 11 key barriers such as the need for advanced skill sets and user-centric design, lack of standardized practices, and challenges in data networks and management. The study applied both quantitative descriptive analysis and qualitative content analysis to explore these barriers across five stages of sensor adoption. A total of 63 articles were thoroughly reviewed to identify thematic patterns and chronological trends. The findings highlight critical areas that require attention, including the development of standardized protocols, enhancing data-driven decision-making with advanced analytics, and fostering industry-wide training programs. Additionally, leveraging Lean Construction 4.0 principles is proposed to address these challenges. The insights from this research aim to support the construction industry in integrating sensor technologies more effectively, leading to greater efficiency and improved performance. • Identified 11 key barriers to sensor adoption in construction. • Analyzed barriers' interrelations across five stages of sensor signal transmission. • Proposed strategic directions for overcoming sensor adoption barriers. • Utilized mixed-methods approach for comprehensive barrier analysis. • Highlighted Lean Construction 4.0 principles to advance sensor integration.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,067 | 0,101 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,007 | 0,009 |
| Études des sciences et des technologies | 0,002 | 0,004 |
| Communication savante | 0,007 | 0,008 |
| Science ouverte | 0,002 | 0,006 |
| Intégrité de la recherche | 0,002 | 0,002 |
| 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; un appel candidat d’une seule source (Gemma direct ou Codex distillé), 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 ».