Transformer le secteur de la construction par le numérique : Un chantier ambitieux et nécessaire
Bibliographic record
Abstract
L’industrie de la construction joue un rôle prépondérant dans l’économie. Malgré son importance, elle fut longtemps décrite comme moins productive et innovante que d’autres secteurs. Depuis quelques années, cette situation semble changer et plusieurs acteurs reconnaissent la nécessité d’innover pour assurer la compétitivité des entreprises. De nouvelles formes de travail émergent grâce à l’introduction de technologies telles que la modélisation des données du bâtiment (BIM), la réalité virtuelle et augmentée, la préfabrication, les objets intelligents, la fabrication additive, les technologies portables, l’automatisation, la robotisation, etc. Au Québec, plusieurs grandes entreprises ont déjà adopté certaines de ces technologies, mais leur mise en œuvre reste encore embryonnaire, en particulier chez les petites entreprises. Selon nombre d’experts, l’utilisation des technologies doit être encouragée afin de créer une véritable transformation numérique de la construction au Québec. Ce chapitre propose une courte analyse de cette transformation et des pistes d’intervention pour le contexte québécois, à partir des tendances observées au niveau international.
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 machine prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. The Gemma side is a direct model label for every work in the frame, read from the title-only record. The Codex side is a classifier learned from the 10,348 direct Codex labels and calibrated to design-weighted sample rates; fields without enough sample support carry no Codex call. Candidate is the union of the two sides; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels.
Distilled classifier scores by category (both heads)
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.002 | 0.003 |
| Meta-epidemiology (narrow) | 0.002 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.002 |
| Bibliometrics | 0.002 | 0.001 |
| Science and technology studies | 0.001 | 0.004 |
| Scholarly communication | 0.005 | 0.006 |
| Open science | 0.001 | 0.003 |
| Research integrity | 0.002 | 0.005 |
| Insufficient payload (model declined to judge) | 0.015 | 0.005 |
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 source (direct Gemma or distilled Codex), 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".