MétaCan
Menu
Retour à la cohorte
Enregistrement W2793430084 · doi:10.1155/2018/7279491

Quality and Operations Management in Food Supply Chains: A Literature Review

2018· review· en· W2793430084 sur OpenAlexaff
Yong He, Hongfu Huang, Dong Li, Chunming Shi, Sarah J. Wu

Notice bibliographique

RevueJournal of Food Quality · 2018
Typereview
Langueen
DomaineAgricultural and Biological Sciences
ThématiqueFood Supply Chain Traceability
Établissements canadiensWilfrid Laurier University
Organismes subventionnairesFundamental Research Funds for the Central UniversitiesGovernment of Jiangsu ProvinceHorizon 2020 Framework ProgrammeSoutheast UniversityNational Natural Science Foundation of China
Mots-clésTraceabilitySupply chainQuality (philosophy)Supply chain managementFood supplyBusinessRisk analysis (engineering)MarketingFood safetyComputer scienceEconomicsAgricultural economics

Résumé

récupéré en direct d'OpenAlex

We present a literature review on quality and operations management problems in food supply chains. In food industry, the quality of the food products declines over time and should be addressed in the supply chain operations management. Managing food supply chains with operations management methods not only generates economic benefit, but also contributes to environmental and social benefits. The literature on this topic has been burgeoning in the past few years. Since 2005, more than 100 articles have been published on this topic in major operations research and management science journals. In this literature review, we concentrate on the quantitative models in this research field and classify the related articles into four categories, that is, storage problems, distribution problems, marketing problems, and food traceability and safety problems. We hope that this review serves as a reference for interested researchers and a starting point for those who wish to explore it further.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,002
score de la tête « metaresearch » (Gemma)0,006
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Sans objet · Signal consensuel: aucune
GenreSignal candidat: Synthèse · Signal consensuel: Synthèse
Score de désaccord entre enseignants0,006
Score d'incertitude au seuil0,015

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0020,006
Méta-épidémiologie (sens strict)0,0010,001
Méta-épidémiologie (sens large)0,0010,001
Bibliométrie0,0060,010
Études des sciences et des technologies0,0010,001
Communication savante0,0020,003
Science ouverte0,0010,001
Intégrité de la recherche0,0020,001
Charge utile insuffisante (le modèle a refusé de juger)0,0040,001

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.

Tête enseignante Opus0,120
Tête enseignante GPT0,380
Écart entre enseignants0,260 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeSans objet
Domainenon disponible
GenreSynthèse

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations64
Publié2018
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueJournal of Food QualityMême sujetFood Supply Chain TraceabilityTravaux en français237 207