Decision-Support Tool for Selecting the Best Delivery Method in Sustainable Construction Projects
Notice bibliographique
Résumé
The construction industry's high resource consumption and greenhouse gas emissions emphasize the need for sustainable approaches.Sustainable construction minimizes environmental impact while balancing environmental, social, and economic priorities to promote long-term sustainability.A critical factor in achieving sustainable construction is the selection of an appropriate project delivery method (PDM).This study introduces a decision-support system (DSS) to guide the selection of the most suitable PDM for sustainable construction projects.Initially, a set of twelve key criteria for sustainable PDM selection is identified through an extensive literature review and expert consultations.These criteria are then weighted by importance based on survey responses from industry professionals specializing in sustainable construction.To evaluate the performance of four common PDMs (i.e., design-bid-build (DBB), designbuild (DB), construction management at risk (CMR), and integrated project delivery (IPD)), the experts were asked to assess each method's effectiveness against the selected criteria.Using the VIKOR method, a DSS application is developed to rank these PDM options according to the collected data.The developed DSS incorporates user preferences to generate tailored recommendations aligned with specific project needs and sustainability objectives.The proposed DSS is validated through application to two real-project case studies, wherein stakeholders provide input on criterion weighting relevant to their respective projects.Findings indicate that the application offers valuable insights for PDM selection in sustainable construction, enhancing decision-making and aligning project delivery with sustainability 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 | 0,003 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,002 |
| 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 | 0,001 |
| 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 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 ».