Training for Industry 4.0: a systematic literature review and directions for future research
Notice bibliographique
Résumé
Goal: This study aims to identify, synthesize and classify the main features explored by current research encompassing training for Industry 4.0 and propose directions for future research. Design / Methodology / Approach: The methodological procedure was oriented by a systematic literature review (PRISMA) methodology and followed by content analysis. After a review of academic databases, 78 papers dealing with training for Industry 4.0 were included and classified based on topics related to the science of training and Industry 4.0. Results: Most of the studies in training for Industry 4.0 are oriented to undergraduate and graduate students (in an educational approach) or industrial employees (in an enterprise approach) and, in general, they explore technical, technological, and human oriented subjects. There is a lack concerning studies targeting managers who deal with Industry 4.0 and few studies consider content related to Industry 4.0 impact on business models, sustainability, corporate social responsibility, and other related concepts. Limitations of the investigation: The main limitation is related to the database selection criteria. Search in non-indexed databases, book chapters, and non-English language are not included in this study. Practical Implications: The findings presented in this paper are relevant for researchers and academics as they can serve as a guide for future research work. Consultants, professionals, and trainers can enhance their courses by including currently less explored content or target audiences. Originality/Value: No similar papers were found in scientific databases and this reinforces this manuscript's originality and contribution.
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 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 | 0,002 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, 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 ».