MétaCan
Menu
Retour à la cohorte
Enregistrement W4414351927 · doi:10.1061/jladah.ladr-1319

Analysis of Three-Party Contracts and Their Impact on Project Costs and Timelines: A Case Study of Construction Delays

2025· article· en· W4414351927 sur OpenAlexaff
Melissa Chan, Sina Fard Moradinia, Niloufar Bagherifam, Milad Baghalzadeh Shishehgarkhaneh, Hongyu Jin

Notice bibliographique

RevueJournal of Legal Affairs and Dispute Resolution in Engineering and Construction · 2025
Typearticle
Langueen
DomaineDecision Sciences
ThématiqueConstruction Project Management and Performance
Établissements canadiensUniversity of Victoria
Organismes subventionnairesnon disponible
Mots-clésConstruction contractContract managementProject managementConstruction industryConstruction management

Résumé

récupéré en direct d'OpenAlex

Construction projects require careful planning, activity sequencing, and prioritization to establish an effective schedule. In developing countries, where significant capital is allocated to infrastructure, successfully executing projects within time and budget constraints is critical. However, large-scale construction projects often experience delays and cost overruns, extending timelines and increasing expenses. Analyzing the causes of these issues, particularly in traditional design-bid-build (DBB) contracts, requires a systematic approach. This study investigates key factors contributing to time and cost overruns in projects using the conventional three-party implementation method (client, consultant, contractor). A case study built under a DBB contract identifies and ranks reasons for delays and cost increases. Data were collected through surveys of stakeholders, including employers, consultants, contractors, and government officials. The findings highlight primary factors influencing delays and overruns and provide recommendations for mitigating these issues in future projects. By examining stakeholder interactions and identifying inefficiencies, the study offers strategies for reducing delays and improving cost management in construction.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,011
score de la tête « metaresearch » (Gemma)0,033
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Étude de cas · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,019
Score d'incertitude au seuil0,058

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0110,033
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0020,003
Études des sciences et des technologies0,0040,002
Communication savante0,0030,002
Science ouverte0,0010,002
Intégrité de la recherche0,0020,002
Charge utile insuffisante (le modèle a refusé de juger)0,0020,000

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.

Tête enseignante Opus0,020
Tête enseignante GPT0,309
Écart entre enseignants0,289 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeÉtude de cas
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations0
Publié2025
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueJournal of Legal Affairs and Dispute Resolution in Engineering and ConstructionMême sujetConstruction Project Management and PerformanceTravaux en français237 207