Automated Extraction and Analysis of Greenhouse Gas Emissions in Canadian Construction Project Procurement
Notice bibliographique
Résumé
The construction industry accounts for 37% of global emissions in 2022, mainly from the production and transportation of materials, making it a critical contributor to greenhouse gas (GHG) emissions.Green Supply Chain Management (GSCM) offers principles to reduce emissions and improve sustainability across the supply chain.Yet, the industry faces barriers in adopting these principles due to the lack of accessible, user-friendly, and standardized tools that can effectively integrate and visualize sustainability indicators for procurement.Existing tools have limitations such as narrowed functionalities, lack of comprehensive data, and limited accessibility.This paper aims to facilitate GSCM by introducing the Green Supplier Selection Tool (GSST), a web-based application incorporated with AI automatic data extraction and analysis.The GSST allows users to identify suppliers based on certification (ISO 14001, BCorp, and LEED), calculate and compare Embodied Carbon Factor (ECF) across different materials and transportation modes, and automatically extract and summarize key emission data from Environmental Product Declaration (EPD) files.Moreover, the tool includes an interactive map that allows users to compare suppliers based on transportation modes, material quantity, and suppliers' emission levels while comparing emission thresholds.Initial results demonstrate the application's potential in assisting stakeholders in a deeper understanding of the sustainability implications of procurement choices through interactive, dynamic and integrated visualizations.The tool aims to raise awareness among stakeholders on procurement-related environmental impact.Further, it contributes to the reduction of the carbon footprint in the construction industry and supports global climate goals.
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 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 | 0,002 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,012 | 0,017 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 tête enseignante, 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 ».