Identifying Root Causes and Sustainable Solutions for Reducing Construction Waste Using Social Network Analysis
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
The construction industry is a major contributor to environmental degradation, primarily due to the substantial volumes of construction waste (CW) generated on-site. As sustainability becomes a global imperative aligned with the UN 2030 Agenda, identifying and mitigating the root causes of CW is essential. This study adopts a cross-disciplinary approach to explore the drivers of CW and support more effective, sustainable waste reduction strategies. A systematic literature review was conducted to extract 25 key CW source factors from academic publications. These were analyzed using Social Network Analysis (SNA) to reveal their structural relationships and relative influence. The results indicate that the lack of structured on-site waste management planning, accumulation of residual materials, and insufficient worker training are among the most influential CW drivers. Comparative analysis with industry data highlights theoretical–practical gaps and the need for improved alignment between research insights and site implementation. This paper recommends the adoption of tiered waste management protocols as part of contractual documentation, integrating Building Information Modeling (BIM)-based residual material traceability systems, and increasing attention to workforce training programs focused on material handling efficiency. Future research should extend SNA frameworks to sector-specific waste patterns (e.g., pavement or demolition projects) and explore the intersection between digital technologies and circular economy practices. The study contributes to enhancing waste governance, promoting resource efficiency, and advancing circularity in the built environment by offering data-driven prioritization of CW sources and actionable mitigation strategies.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,001 | 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