DOI: https://doi.org/10.1007/s43995-025-00203-3
تاريخ النشر: 2025-09-01
المؤلف: Ehab A. Mlybari وآخرون
الموضوع الرئيسي: أبحاث الصحة والسلامة المهنية
نظرة عامة
تتناول ورقة البحث تطور ممارسات إدارة القيمة (VM) في البناء، مع تسليط الضوء على التحديات التي تطرحها زيادة تعقيد المشاريع ومشاركة أصحاب المصلحة. لقد واجهت منهجيات إدارة القيمة التقليدية صعوبة في التكيف مع هذه التغييرات، مما أدى إلى الاعتماد على الذكاء الاصطناعي (AI) وتعلم الآلة (ML) لتحسين اتخاذ القرار. لقد أظهر الذكاء الاصطناعي قدرات قوية في التنبؤ بنتائج المشاريع، مثل تجاوز التكاليف وتقييم المخاطر. ومع ذلك، لا يزال دمج الذكاء الاصطناعي في ممارسات إدارة القيمة الشاملة محدودًا، حيث تستخدم المنظمات الذكاء الاصطناعي بشكل أساسي كأداة تحليلات تكميلية بدلاً من دمجه ضمن العمليات الرسمية لإدارة القيمة.
لمعالجة هذه القيود، تقدم الدراسة إطار عمل متكامل مدعوم بالذكاء الاصطناعي لإدارة القيمة مصمم لتعزيز جودة القرار، وفعالية العملية، ورضا أصحاب المصلحة. يجمع هذا الإطار بين التحليلات التنبؤية، واتخاذ القرار متعدد المعايير، وطرق الذكاء الاصطناعي القابلة للتفسير، مما يوفر نهجًا منظمًا لشركات البناء لتنفيذ عمليات اتخاذ قرار ذكية وشفافة. تسمح معماريته القابلة للتوسع للمنظمات من مختلف الأحجام والقدرات التقنية بتبني الإطار بشكل تدريجي، مما يسهل التبني الأوسع عبر صناعة البناء، من المقاولين الصغار إلى الشركات متعددة الجنسيات الكبيرة.
مقدمة
تناقش مقدمة ورقة البحث تطور ودمج إدارة القيمة (VM) مع اتخاذ القرار متعدد المعايير (MCDM) والذكاء الاصطناعي القابل للتفسير (XAI) لتعزيز اتخاذ القرار في مشاريع البناء. يتميز إدارة القيمة كعملية منهجية تهدف إلى تعظيم قيمة المشروع من خلال تحليل الوظائف والتكاليف ومتطلبات أصحاب المصلحة، مما يتناقض مع أساليب الإدارة المرئية. بينما توفر أدوات MCDM التقليدية مثل عملية التحليل الهرمي التحليلي (AHP) وTOPSIS أطر عمل منظمة لاتخاذ القرار، فإنها محدودة بطبيعتها الثابتة، والاعتماد على مدخلات الخبراء الذاتية، وعدم القدرة على معالجة البيانات في الوقت الحقيقي. إن ظهور نماذج الذكاء الاصطناعي، على الرغم من وعدها، يقدم تحديات تتعلق بالشفافية وثقة أصحاب المصلحة بسبب عمليات اتخاذ القرار الغامضة غالبًا.
لمعالجة هذه القضايا، تقترح البحث إطار عمل لإدارة القيمة قائم على الذكاء الاصطناعي يدمج التحليلات التنبؤية وMCDM وXAI في هيكلية متماسكة من ست طبقات. يهدف هذا الإطار إلى تسهيل اتخاذ القرار القائم على القيمة طوال دورة حياة مشاريع البناء. تم تطويره من خلال منهجية بحث علمي التصميم وتم التحقق منه من خلال تقييمات الخبراء ودراسات الحالة، حيث يعزز الإطار قدرات اتخاذ القرار ويؤكد أيضًا على مشاركة أصحاب المصلحة والشفافية. تسلط الورقة الضوء على التطبيقات المحتملة لهذا الإطار المتكامل في بيئات البناء المعقدة، مثل مشاريع البنية التحتية الكبيرة والبناء المستدام، حيث تكون التحليلات المعقدة والمفاوضات مع أصحاب المصلحة حاسمة. يعد إطار AIVMS بجسر الفجوات التي تركتها حلول MCDM التقليدية وحلول الذكاء الاصطناعي فقط، مما يوفر التعلم التكيفي والتحقق التجريبي لتحسين نتائج اتخاذ القرار في قطاع البناء.
طرق البحث
تستخدم الدراسة منهجية بحث علمي التصميم (DSR) لمعالجة المشكلات التنظيمية المعقدة من خلال دورات تصميم-بناء-تقييم تكرارية. تشمل هذه الطريقة المنظمة عملية من ست مراحل تتقدم من تحديد المشكلة إلى التواصل بالنتائج، مما يضمن أن الإطار المطور يلبي الاحتياجات العملية مع الالتزام بالصرامة العلمية. تستخدم منهجية التحقق من الخبراء دراسة دلفي عبر ثلاث جولات، تركز على تحديد مكونات الإطار ذات الصلة بالذكاء الاصطناعي وتعلم الآلة في صناعة البناء، مع مدخلات من محترفين ذوي خبرة وباحثين أكاديميين للحفاظ على النزاهة النظرية والمنهجية.
يتم تحقيق التحقق التجريبي من خلال ثلاث دراسات حالة مختارة استراتيجيًا، تمثل كل منها أنواع مشاريع وتعقيدات مختلفة. تشمل هذه المشاريع تطوير مكتب تجاري بقيمة 45 مليون يورو في برلين، وتمديد مترو بقيمة 120 مليون يورو في مدريد، ومجمع سكني بقيمة 32 مليون يورو في أمستردام. تظهر النماذج التنبؤية المطورة معدلات دقة عالية في تقييمات التكلفة والجدول الزمني والجودة والاستدامة، مع دقة نسبية تبلغ 92.3% و89.7% و87.2% و91.5%. يتضمن الإطار تقنيات متقدمة مثل الاستدلال البايزي لتقدير عدم اليقين وقيم SHAP لأهمية الميزات، مما يعزز الشفافية وقابلية تفسير اتخاذ القرار المدعوم بالذكاء الاصطناعي. تضمن التحديثات في الوقت الحقيقي والتحسين متعدد الأهداف أن تظل التنبؤات ذات صلة وقابلة للتنفيذ مع تطور ظروف المشروع.
النتائج
تشير نتائج التحقق من الخبراء من خلال دراسة دلفي ذات ثلاث جولات إلى دعم قوي للإطار المقترح عبر مجالات تقييم متعددة. في الجولة الأولى، أسفرت نسبة المشاركة البالغة 100% عن تقييم اكتمال قدره 4.2 من 5.0، مما يؤكد أن الهيكلية المكونة من ست طبقات تعالج بشكل فعال الفجوات في ممارسات إدارة القيمة الحالية. حصلت الجدوى التقنية على تقييم قدره 3.8، مما يشير إلى أنه على الرغم من أن الإطار قابل للتطبيق تقنيًا، إلا أن هناك حاجة لمزيد من الاهتمام لاستعداد التنفيذ. تم تأكيد التوافق بشأن ترتيب الأولويات لمكونات الإطار مع معامل كيندال W البالغ 0.73.
في الجولة الثانية، أدت نسبة استجابة بلغت 96% إلى تقييم قدره 4.4 لملاءمة المواصفات الفنية، مما يشير إلى أن الوثائق كافية لتخطيط التنفيذ. ومع ذلك، تم تقييم تعقيد التكامل عند 3.6، مما يبرز الحاجة إلى إدارة دقيقة للتغييرات داخل الإطار الشامل. تم تقييم صلاحية مقاييس الأداء عند 4.1، مما يؤكد فعاليتها في تقييم نجاح الإطار. أسفرت الجولة النهائية، التي حققت نسبة استجابة بلغت 92%، عن درجة إجمالية قدرها 4.5، مع تحسينات كبيرة في تتبع القرارات ودقة التنبؤ. أظهرت دراسات الحالة من برلين ومدريد وأمستردام الفوائد العملية للإطار، بما في ذلك تقليل أوقات دورة إدارة القيمة، وزيادة دقة التنبؤ بالتكاليف، وتحسين توافق أصحاب المصلحة، وتحسينات كبيرة في القيمة، مما يبرز قابليته للتطبيق على المشاريع المعقدة وإمكانيته في تحسين عمليات اتخاذ القرار.
المناقشة
تسلط قسم المناقشة في ورقة البحث الضوء على تطور إدارة القيمة (VM) من جذورها التصنيعية إلى نهج يركز على أصحاب المصلحة في البناء. بينما استخدمت إدارة القيمة تقليديًا ورش عمل مساعدة لاتخاذ القرار التعاوني، ظهرت تحديات عملية مثل الاعتماد على آراء الخبراء الذاتية، وصعوبات في قياس محركات القيمة غير الملموسة، ودمج محدود مع أنظمة إدارة المشاريع الرقمية. لقد أظهر دمج الذكاء الاصطناعي (AI) في البناء وعدًا في التحليلات التنبؤية وتقييم المخاطر؛ ومع ذلك، غالبًا ما تعمل حلول الذكاء الاصطناعي الحالية كأدوات مستقلة بدلاً من كونها جزءًا من أنظمة دعم القرار الشاملة. تعيق هذه الفجوة فعالية عمليات إدارة القيمة، خاصة في البيئات المعقدة متعددة أصحاب المصلحة.
لمعالجة هذه التحديات، تقترح الورقة نظام إدارة قيمة مدفوع بالذكاء الاصطناعي (AIVMS) يدمج عدة أطر، بما في ذلك طرق اتخاذ القرار متعدد المعايير (MCDM) والذكاء الاصطناعي القابل للتفسير (XAI). يتكون إطار AIVMS من ست طبقات وظيفية مصممة لتعزيز اتخاذ القرار من خلال التعلم التكيفي، والشفافية، ومشاركة أصحاب المصلحة. تعالج كل طبقة قيودًا معينة لممارسات إدارة القيمة التقليدية، مثل الوزن الثابت في MCDM والحاجة إلى القابلية للتفسير في القرارات المدفوعة بالذكاء الاصطناعي. يهدف الإطار إلى توفير نهج منظم قائم على الأدلة لاتخاذ القرار في مشاريع البناء، مما يضمن تلبية احتياجات أصحاب المصلحة مع الحفاظ على القدرة على التكيف مع ظروف المشروع المتغيرة. تؤكد الدراسة على أهمية دمج قدرات الذكاء الاصطناعي مع عمليات إدارة القيمة لتحسين جودة القرار ورضا أصحاب المصلحة في صناعة البناء.
القيود
يقدم إطار AIVMS، على الرغم من التحقق الواسع منه ومزاياه، عدة قيود يجب معالجتها أثناء التنفيذ. تشمل المجالات الرئيسية للتحسين تعزيز وظائف اتخاذ القرار الديناميكية من خلال تعلم السياسات المثلى من كل من التجارب المحاكاة والواقعية. بالإضافة إلى ذلك، يمكن أن يؤدي دمج توليد اللغة الطبيعية إلى أتمتة إنشاء التقارير والتواصل مع أصحاب المصلحة، مما يقلل من العمل البشري ويحسن من اتساق سجلات المشروع. يجب أن تركز الأبحاث المستقبلية أيضًا على تطوير واجهات الواقع الافتراضي لتفسيرات تفاعلية لبيئات القرار المعقدة، بالإضافة إلى نماذج سببية توضح العلاقات الأساسية وراء توصيات الذكاء الاصطناعي. علاوة على ذلك، فإن التكيف الثقافي لأشكال التفسير أمر حاسم لمشاريع البناء الدولية، نظرًا للاختلافات الكبيرة في أنماط التواصل عبر الثقافات المختلفة.
فيما يتعلق بحدود البحث، فإن التحقق الحالي يعكس في الغالب أسواق البناء الأوروبية، مما يشير إلى الحاجة إلى دراسات طولية لتقييم الأداء على المدى الطويل وتأثيرات التعلم التنظيمي. سيساهم توسيع النطاق ليشمل الصلاحية عبر الثقافات في تعزيز قابلية تطبيق الإطار عبر سياقات تنظيمية وثقافية متنوعة. هناك أيضًا إمكانيات كبيرة لدمج التقنيات الناشئة مثل التوائم الرقمية، والبلوك تشين، ومنصات إنترنت الأشياء من الجيل التالي لتحسين الإطار وتلبية متطلبات الصناعة. يجب أن تستكشف التحقيقات المستقبلية منهجيات الذكاء الاصطناعي المتقدمة، بما في ذلك تعلم الآلة والنماذج السببية، لمزيد من تحسين عمليات اتخاذ القرار وتعزيز قدرات التفسير.
DOI: https://doi.org/10.1007/s43995-025-00203-3
Publication Date: 2025-09-01
Author(s): Ehab A. Mlybari et al.
Primary Topic: Occupational Health and Safety Research
Overview
The research paper discusses the evolution of Value Management (VM) practices in construction, highlighting the challenges posed by increasing project complexity and stakeholder involvement. Traditional VM methodologies have struggled to adapt to these changes, leading to a reliance on artificial intelligence (AI) and machine learning (ML) for enhanced decision-making. AI has demonstrated strong capabilities in forecasting project outcomes, such as cost overruns and risk assessments. However, the integration of AI into comprehensive VM practices remains limited, with organizations primarily utilizing AI as a supplementary analytics tool rather than embedding it within formal VM processes.
To address these limitations, the study presents an integrated AI-powered Value Management framework designed to enhance decision quality, process effectiveness, and stakeholder satisfaction. This framework combines predictive analytics, multi-criteria decision-making, and explainable AI methods, offering a structured approach for construction companies to implement intelligent and transparent decision-making processes. Its scalable architecture allows organizations of various sizes and technical capabilities to adopt the framework incrementally, facilitating broader adoption across the construction industry, from small contractors to large multinational firms.
Introduction
The introduction of the research paper discusses the evolution and integration of Value Management (VM) with Multi-Criteria Decision-Making (MCDM) and Explainable Artificial Intelligence (XAI) to enhance decision-making in construction projects. VM is characterized as a systematic process aimed at maximizing project value through the analysis of functions, costs, and stakeholder requirements, contrasting with visual management approaches. While traditional MCDM tools like the Analytic Hierarchy Process (AHP) and TOPSIS provide structured decision-making frameworks, they are limited by their static nature, reliance on subjective expert inputs, and inability to process real-time data. The rise of AI models, although promising, introduces challenges related to transparency and stakeholder confidence due to their often opaque decision-making processes.
To address these issues, the research proposes an AI-based value management framework that integrates predictive analytics, MCDM, and XAI into a cohesive six-layer architecture. This framework aims to facilitate value-based decision-making throughout the lifecycle of construction projects. Developed through Design Science Research methodology and validated by expert evaluations and case studies, the framework not only enhances decision-making capabilities but also emphasizes stakeholder engagement and transparency. The paper highlights the potential applications of this integrated framework in complex construction environments, such as infrastructure megaprojects and sustainable construction, where sophisticated trade-off analyses and stakeholder negotiations are critical. The AIVMS framework promises to bridge the gaps left by traditional MCDM and AI-only solutions, offering adaptive learning and empirical validation to improve decision-making outcomes in the construction sector.
Methods
The research employs a Design Science Research (DSR) methodology to address complex organizational problems through iterative design-build-evaluation cycles. This structured approach encompasses a six-stage process that progresses from problem identification to the communication of results, ensuring that the developed framework meets practical needs while adhering to scientific rigor. The expert validation methodology utilizes a Delphi Study across three rounds, focusing on the identification of framework components relevant to AI and Machine Learning in the construction industry, with input from experienced professionals and academic researchers to maintain theoretical and methodological integrity.
Empirical validation is achieved through three strategically selected case studies, each representing varying project types and complexities. These include a €45 million commercial office development in Berlin, a €120 million metro extension in Madrid, and a €32 million residential complex in Amsterdam. The predictive models developed demonstrate high accuracy rates in cost, schedule, quality, and sustainability assessments, with respective accuracies of 92.3%, 89.7%, 87.2%, and 91.5%. The framework incorporates advanced techniques such as Bayesian inference for uncertainty quantification and SHAP values for feature importance, enhancing the transparency and interpretability of AI-driven decision-making. Real-time updates and multi-objective optimization further ensure that the predictions remain relevant and actionable as project conditions evolve.
Results
The results of the expert validation through a three-round Delphi study indicate robust support for the proposed framework across multiple evaluation areas. In the first round, a 100% participation rate yielded a completeness rating of 4.2 out of 5.0, affirming that the six-layer architecture effectively addresses gaps in existing value management (VM) practices. Technical feasibility received a rating of 3.8, suggesting that while the framework is technically viable, further attention to implementation readiness is necessary. Consensus on the priority ranking of framework components was confirmed with a Kendall’s W coefficient of 0.73.
In the second round, a 96% response rate led to a rating of 4.4 for the adequacy of technical specifications, indicating that the documentation is sufficient for implementation planning. However, integration complexity was rated at 3.6, highlighting the need for careful management of changes within the holistic framework. The validity of performance metrics was rated 4.1, affirming their effectiveness in evaluating the framework’s success. The final round, with a 92% response rate, resulted in an overall score of 4.5, with significant improvements in decision traceability and prediction accuracy. Case studies from Berlin, Madrid, and Amsterdam demonstrated the framework’s practical benefits, including reduced VM cycle times, enhanced cost prediction accuracy, improved stakeholder alignment, and substantial value improvements, underscoring its applicability to complex projects and its potential for optimizing decision-making processes.
Discussion
The discussion section of the research paper highlights the evolution of Value Management (VM) from its manufacturing roots to a stakeholder-focused approach in construction. While VM traditionally utilized facilitated workshops for collaborative decision-making, practical challenges such as reliance on subjective expert opinions, difficulties in quantifying intangible value drivers, and limited integration with digital project management systems have emerged. The integration of Artificial Intelligence (AI) in construction has shown promise in predictive analytics and risk assessment; however, existing AI solutions often function as standalone tools rather than as part of comprehensive decision support systems. This disconnect hampers the effectiveness of VM processes, particularly in complex, multi-stakeholder environments.
To address these challenges, the paper proposes an AI-driven Value Management System (AIVMS) that integrates multiple frameworks, including Multi-Criteria Decision-Making (MCDM) methods and Explainable AI (XAI). The AIVMS framework consists of six functional layers designed to enhance decision-making through adaptive learning, transparency, and stakeholder engagement. Each layer addresses specific limitations of traditional VM practices, such as static weighting in MCDM and the need for explainability in AI-driven decisions. The framework aims to provide a structured, evidence-based approach to decision-making in construction projects, ensuring that stakeholder needs are met while maintaining adaptability to changing project conditions. The research emphasizes the importance of integrating AI capabilities with VM processes to improve decision quality and stakeholder satisfaction in the construction industry.
Limitations
The AIVMS framework, despite its extensive validation and advantages, presents several limitations that must be addressed during implementation. Key areas for improvement include enhancing dynamic decision-making functions through the learning of optimal policies from both simulated and real project experiences. Additionally, the integration of natural language generation could automate report creation and stakeholder communication, thereby reducing human labor and improving the consistency of project records. Future research should also focus on developing virtual reality interfaces for interactive explanations of complex decision environments, as well as causal models that elucidate the relationships underlying AI recommendations. Furthermore, cultural adaptation of explanatory forms is crucial for international construction projects, given the significant variations in communication styles across different cultures.
In terms of research limitations, the current validation predominantly reflects European construction markets, indicating a need for longitudinal studies to evaluate long-term performance and organizational learning impacts. Expanding the scope to include cross-cultural validity would enhance the framework’s applicability across diverse regulatory and cultural contexts. There is also considerable potential for integrating emerging technologies such as digital twins, blockchain, and next-generation IoT platforms to improve the framework and meet industry demands. Future investigations should explore advanced AI methodologies, including machine learning and causal models, to further refine decision-making processes and enhance explanatory capabilities.