A review of the role of digitalization in health risk management in extractive industries – a study motivated by COVID-19
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Purpose While disruptions as a result of the COVID-19 pandemic resulted in the failure of some companies, others embraced innovative digital technologies to face the challenge posed by COVID-19. The COVID-19 crisis is also an opportunity for the extractive industry (EI) sectors to review their digitalization processes. The purpose of this paper is to conduct a systematic review of infectious disease mitigation in EI and to evaluate the resilience of these industries as they address pandemic prevention and control. Design/methodology/approach Multi-case studies including digital and organizational responses to COVID-19 were analyzed to evaluate the readiness of health risk management (HRM) and resilience of EIs against the pandemic. The evaluation uses Google Scholar and Trends searches to compare the level of relevant activity in EIs with other industries. Findings Although EI sectors have various plans for minimizing pandemic impacts, unexpected disruptions and delays of the COVID-19 responses revealed many limitations of the existing HRM system. Digital technologies (e.g. artificial intelligence-based public health monitoring, digital collaboration, wearable health tracking and 3D printing) demonstrated their remarkable benefits in the pandemic responses and nontechnical elements affecting technology adoption (TA). Originality/value Lessons learned from the deployment of digital technologies against the pandemic help to improve the organizational capacity to deal effectively with future outbreaks and suggest lessons for the future trajectory of TA in these industries.
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.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,003 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 découle