MétaCan
Menu
Retour à la cohorte
Enregistrement W4306153872 · doi:10.1002/eng2.12578

The role of intelligent manufacturing systems in the implementation of Industry 4.0 by small and medium enterprises in developing countries

2022· article· en· W4306153872 sur OpenAlexaff
Anas M. Atieh, Kavian O. Cooke, Oleksiy Osiyevskyy

Notice bibliographique

RevueEngineering Reports · 2022
Typearticle
Langueen
DomaineEngineering
ThématiqueDigital Transformation in Industry
Établissements canadiensUniversity of Calgary
Organismes subventionnairesnon disponible
Mots-clésIndustry 4.0BusinessDeveloping countryProduction (economics)Advanced manufacturingCyber-physical systemApprehensionManufacturingEmerging technologiesKnowledge managementEmerging marketsComputer scienceIndustrial organizationProcess managementManufacturing engineeringMarketingEngineeringEconomics

Résumé

récupéré en direct d'OpenAlex

Abstract The desire to enhance connectivity and communication while simplifying data used to improve and optimize products and processes has driven many organizations within developed countries to invest heavily in implementing intelligent technologies for manufacturing. These technologies promise to enhance global manufacturing capabilities while sustaining demands by integrating equipment and frameworks in advanced economies for future production systems. On the other hand, many small and medium enterprises (SMEs) within developing countries have shown apprehension and mistrust toward the emerging technologies associated with Industry 4.0. This article provides a comprehensive review of SMEs' readiness within developing countries to implement the novel technologies falling within the Industry 4.0 realm. Such techniques include intelligent manufacturing systems, cyber‐physical systems, and other crucial technological tools for improved connectivity and communication within manufacturing and production systems. Analysis of the literature shows that many SMEs within developing countries are experiencing delays in introducing intelligent manufacturing and digitizing factories due to a lack of knowledge and communication issues. These firms lag in embracing the transformation to equipment and systems that can communicate with future‐oriented technologies and introduce intelligent devices and machines into production processes. This article explores challenges, identifies gaps and suggests the potential solutions to address the readiness of SMEs toward Industry 4.0 in developing countries, through a systematic summary and integrative analysis of the findings from the literature.

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)0,008
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,009
Score d'incertitude au seuil0,022

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0040,008
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0030,004
Études des sciences et des technologies0,0010,002
Communication savante0,0030,002
Science ouverte0,0000,001
Intégrité de la recherche0,0000,001
Charge utile insuffisante (le modèle a refusé de juger)0,0010,000

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.

Tête enseignante Opus0,007
Tête enseignante GPT0,212
Écart entre enseignants0,205 · 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'étudeObservationnel
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

Citations77
Publié2022
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueEngineering ReportsMême sujetDigital Transformation in IndustryTravaux en français237 207