MétaCan
Menu
Retour à la cohorte
Enregistrement W4311607002 · doi:10.1108/jmtm-04-2022-0173

Effect of Industry 4.0 on the relationship between socio-technical practices and workers' performance

2022· article· en· W4311607002 sur OpenAlexaff
Guilherme Luz Tortorella, Flávio S. Fogliatto, Maneesh Kumar, Vicente A. González, Matthew Pepper

Notice bibliographique

RevueJournal of Manufacturing Technology Management · 2022
Typearticle
Langueen
DomaineEngineering
ThématiqueDigital Transformation in Industry
Établissements canadiensUniversity of Alberta
Organismes subventionnairesnon disponible
Mots-clésOriginalityProductivityManufacturingKnowledge managementBusinessQuality (philosophy)Industry 4.0Value (mathematics)MarketingEngineeringPsychologyComputer scienceEconomics

Résumé

récupéré en direct d'OpenAlex

Purpose This paper aims to examine the moderating effect of Industry 4.0 (I4.0) technologies on the relationship between socio-technical (ST) practices and workers' health, quality and productivity performance. Design/methodology/approach In this paper, 192 practitioners from different manufacturing firms adopting I4.0 technologies were surveyed, analyzed the collected data using multivariate techniques and discussed the results in light of ST theory. Findings Findings indicate that I4.0 moderates the relationship between ST practices and performance, to an extent and direction that varied according to the focus of the technologies and practices adopted. Originality/value The I4.0 movement has triggered changes in the work organization at unprecedented rates, impacting firms' social and technical aspects. This study bridges a gap in the literature concerning the integration of I4.0 technologies into manufacturing firms adopting ST practices, enabling the verification of the moderating effects on workers' performance. Although previous studies have investigated that relationship, the moderating effect of I4.0 on performance is still underexplored, characterizing an important contribution of this research.

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)0,005
score de la tête « metaresearch » (Gemma)0,018
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: Observationnel
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,005
Score d'incertitude au seuil0,027

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0050,018
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0010,001
Études des sciences et des technologies0,0010,001
Communication savante0,0020,001
Science ouverte0,0000,002
Intégrité de la recherche0,0000,001
Charge utile insuffisante (le modèle a refusé de juger)0,0050,001

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 Opus0,026
Tête enseignante GPT0,266
Écart entre enseignants0,240 · 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

Citations41
Publié2022
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueJournal of Manufacturing Technology ManagementMême sujetDigital Transformation in IndustryTravaux en français237 207