Notice bibliographique
Résumé
Purpose The purpose of this paper is to examine the claim that the application of human factors (HF) knowledge can improve both human well‐being and operations system (OS) performance. Design/methodology/approach A systematic review was conducted using a general and two specialist databases to identify empirical studies addressing both human and OS effects in examining manufacturing OS design aspects. Findings A total of 45 empirical studies were found, addressing both the human and system effects of OS (re)design. Of those studies providing clear directional effects, 95 percent showed a convergence between human effects and system effects (+, + or −,−), 5 percent showed a divergence of human and system effects (+,− or −,+). System effects included quality, productivity, implementation performance of new technologies, and also more “intangible” effects in terms of improved communication and co‐operation. Human effects included employee health, attitudes, physical workload, and “quality of working life”. Research limitations/implications Future research should attend to both human and system outcomes in trying to determine optimal configurations for OSs as this appears to be a complex relationship with potential long‐term impact on operational performance. Practical implications The application of HF in OS design can support improvement in both employee well‐being and system performance in a number of manufacturing domains. Originality/value The paper outlines and documents a research and practice gap between the fields of HF and operations management research that has not been previously discussed in the management literature. This gap may be inhibiting the design of OSs with superior long‐term performance.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,037 | 0,067 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,002 | 0,001 |
| Bibliométrie | 0,005 | 0,006 |
| Études des sciences et des technologies | 0,002 | 0,009 |
| Communication savante | 0,007 | 0,007 |
| Science ouverte | 0,001 | 0,005 |
| Intégrité de la recherche | 0,002 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,007 | 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 source (Gemma direct ou Codex distillé), 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 ».