Comprendre l’impact du numérique sur la gestion de projet en construction
Bibliographic record
Abstract
L’industrie de la construction à travers le monde fait actuellement face à des changements considérables sous l’effet des technologies numériques. Au nombre des approches technologiques, l’approche BIM ( Building Information Modeling ) de modélisation des données du bâtiment a reçu une attention considérable ces dernières années, aussi bien de la part des chercheurs que des professionnels de l’industrie, et son succès grandissant semble avoir ouvert la voie à de grands changements de paradigme dans l’industrie. Face à ces changements, les compétences traditionnelles des professionnels ou des gestionnaires de projet ne semblent plus suffisantes pour gérer la nouvelle perspective informationnelle de gestion des projets de construction. De nouvelles compétences deviennent nécessaires, incarnées par de nouveaux rôles (gestionnaires BIM, coordonnateurs BIM, modeleurs BIM, gestionnaires de l’information, etc.) qui prennent de plus en plus d’importance dans les projets. Certains travaux ont étudié ces nouveaux rôles sur un plan théorique sans toutefois aborder la question de leur positionnement par rapport aux rôles traditionnels en gestion de projet ni comment les gestionnaires de projet et les spécialistes BIM se positionnent par rapport aux processus génériques proposés dans les guides d’implémentation BIM. Cette étude de cas montre que les rôles des spécialistes BIM ne sont pas les mêmes d’une discipline à l’autre et que ces rôles ne sont pas seulement des rôles techniques. En outre, le sous-processus d’information semble se cristalliser autour des gestionnaires BIM, ce qui tend à créer deux sources de leadership dans un projet : les gestionnaires BIM et les gestionnaires de projet. L’étude révèle également que les praticiens trouvent que les processus de collaboration BIM proposés dans le plan de mise en oeuvre BIM et dans les documents de projet sont trop génériques et qu’il existe généralement un écart entre ces processus et ceux réellement utilisés dans le projet.
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame distilled prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. Learned from the 10,348 direct Codex labels and 10,348 direct Gemma labels. Candidate is the union of thresholded teacher heads; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels or direct frontier model labels.
Codex and Gemma teacher scores by category
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.000 | 0.000 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.000 | 0.000 |
| Science and technology studies | 0.000 | 0.000 |
| Scholarly communication | 0.000 | 0.001 |
| Open science | 0.000 | 0.000 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.001 | 0.000 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; a candidate call from one teacher head, not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".