Organizational competencies for BIM adoption: a cross-field analysis in the built asset industry
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
Purpose Numerous studies have examined building information modeling (BIM) adoption in the built asset industry to understand its components, requirements and dynamics of this process. Further research is needed to follow this process, particularly considering emerging practices and technologies. This paper aims to characterize and evaluate the competency profiles underlying the BIM adoption and implementation process across distinct fields within the built asset industry, namely, owners, architecture, engineering, manufacturing, general and specialty contractors. Design/methodology/approach Using a quantitative approach, six fields of activity and 136 competencies were related based on data from 368 organizations. This approach, which includes univariate and bivariate methods (profiles and Chi2-test), enables the delineation and comparison of competency profiles underlying BIM adoption across fields of activity. Findings In all fields of activity, notable progress is observed in management and operational competencies, while administration, research and development (R&D) and implementation are progressing slowly. Sixty-two competencies are correlated significantly with fields of activity. Of note is the expertise of certain competencies in fields of activity (architecture excels in managerial, functional, technological, implementation and R&D competencies; engineering in administrative and normative competencies). Conversely, some fields of activity notably fall behind in most competencies, such as general and specialty contractors. Originality/value By examining the competencies development, this research identifies the key areas in which organizations in various fields of activity should invest to improve their BIM adoption. These findings can guide competency enhancement efforts in the built asset industry.
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 | 0,001 | 0,007 |
| 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 découle