MétaCan
Menu
Retour à la cohorte
Enregistrement W3113729183 · doi:10.1590/0104-530x5677-20

Forestry 4.0: a framework for the forest supply chain toward Industry 4.0

2020· article· en· W3113729183 sur OpenAlexafffund
Yan Feng, Jean‐François Audy

Notice bibliographique

RevueGestão & Produção · 2020
Typearticle
Langueen
DomaineEnvironmental Science
ThématiqueRemote Sensing and LiDAR Applications
Établissements canadiensUniversité du Québec à Trois-Rivières
Organismes subventionnairesNatural Sciences and Engineering Research Council of Canada
Mots-clésSupply chainBusinessProcurementForestryForest industryForest ecologyDigital transformationEnvironmental resource managementEcosystemMarketingEconomicsComputer scienceGeographyEcology

Résumé

récupéré en direct d'OpenAlex

Abstract: Forest industry plays an important role in global economy and has significant influences in our lives and the environment that we live in. With the rapid advancement of digital technologies and industrial transformations towards Industry 4.0, similar trend has been found in the forest industry and especially on its forest procurement side. Forestry 4.0 has been proposed as research initiatives in recent years. However, publications have largely focused on the digital technologies. This article is aimed at presenting a framework to provide a holistic view of Forestry 4.0 from a forest supply chain perspective. The framework consists of four major components including the digital technologies pertinent to each of the supply chain business activities; the network infrastructure; the next generation system intelligence; and the collaborative forest supply chain digital ecosystem. These components are essential for the forest industry transformation to become truly interconnected among its supply chain actors. Some economic, environmental, and social expected benefits of Forestry 4.0 are discussed as well as potential impacts and challenges.

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)0,004
score de la tête « metaresearch » (Gemma)0,002
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Théorique ou conceptuel · Signal consensuel: Théorique ou conceptuel
GenreSignal candidat: Empirique · Signal consensuel: aucune
Score de désaccord entre enseignants0,019
Score d'incertitude au seuil0,038

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0040,002
Méta-épidémiologie (sens strict)0,0010,001
Méta-épidémiologie (sens large)0,0000,001
Bibliométrie0,0030,003
Études des sciences et des technologies0,0030,006
Communication savante0,0080,008
Science ouverte0,0020,005
Intégrité de la recherche0,0040,003
Charge utile insuffisante (le modèle a refusé de juger)0,0080,002

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 Opus0,031
Tête enseignante GPT0,260
Écart entre enseignants0,229 · 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'étudeThéorique ou conceptuel
Domainenon disponible
GenreEmpirique

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

En bref

Citations55
Publié2020
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revueGestão & ProduçãoMême sujetRemote Sensing and LiDAR ApplicationsTravaux en français237 207