An Integrated Planning and Control Framework (IPCF) for Construction Projects—Step 1: Development of the Construction Data Hub (CDH)
Notice bibliographique
Résumé
Construction projects generate a significant volume of scattered data in various formats. However, having a large amount of data is insufficient; there is a need to obtain the appropriate metadata to enable extracting useful knowledge from it. Therefore, professionals need a consistent data acquisition model to gather comprehensive data from multiple projects and organizations in a format ready for applying machine learning. This research proposes an Integrated Planning and Control Framework (IPCF) to implement the concept of “From Data to Decision (FD2D)” in the construction industry. The first step of the framework is the development of the Construction Data Hub (CDH). The CDH seeks to collect data from twelve dimensions that impact the project’s planning and control. It relies on using the industry-accepted concept of work packages, which is the optimum level of detail for data acquisition. To validate the CDH, a machine learning model that utilizes the data collected through the CDH is developed to analyze the factors influencing construction project profit. The study revealed six significant profit-influencing factors. These factors might assist estimators in predicting profit margins during the early estimation stage, instead of relying on intuition or uniform rates, which are not always reliable methods.
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 | 0,018 | 0,014 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,002 |
| Bibliométrie | 0,008 | 0,004 |
| Études des sciences et des technologies | 0,002 | 0,003 |
| Communication savante | 0,007 | 0,006 |
| Science ouverte | 0,003 | 0,003 |
| Intégrité de la recherche | 0,002 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 0,001 |
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 ».