Putting 3D Printing to Good Use – Additive Manufacturing and the Sustainable Development Goals
Notice bibliographique
Résumé
Additive Manufacturing (AM), often referred to as 3D printing, is a production technology that creates objects layer by layer and applies to a variety of materials. AM is expected to have a high impact on the industry as well as on society. The inherent characteristics of AM make it possible to solve not only particular problems but fundamental global challenges as well, which can be examined by reference to the 17 Sustainable Development Goals (SDGs) of the United Nations. This is the first paper that examines the connection of AM and the 17 SDGs through a literature review. In this work, it is outlined which SDGs have a high or moderate potential to be fostered by AM. In each section, one of these SDGs with high or moderate potential will be introduced and corresponding studies relevant to the respective SDG are presented. At the end of each section, the potential of AM to contribute to the achievement of the SDG is evaluated, using the qualitative grades “high” or “moderate”. SDGs with low potential will be subsumed in the last subsection. It is found that six out of 17 SDGs have high potential to be fostered by AM. These are SDG 1 (No poverty), SDG 3 (Good Health and Well-Being), SDG 6 (Clean Water and Sanitation), SDG 7 (Affordable and Clean Energy), SDG 9 (Industry, Innovation, and Infrastructure), and SDG 12 (Responsible Consumption and Production). Furthermore, four SDGs have been identified that have moderate potential to be fostered by AM. These are: SDG 2 (Zero Hunger), SDG 4 (Quality Education), SDG 10 (Reduced Inequalities), and SDG 11 (Sustainable Cities and Communities).
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 | 0,003 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,002 |
| 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 ».