Notice bibliographique
Résumé
This article analyzes Green Jobs (GJs) in the energy sector. GJs are naturally created in the processes related to the implementation of the Sustainable Development Goals (SDGs); this is especially visible in the 7th and 8th SDGs. There is currently a green transition from fossil fuels to renewable energy sources in the energy sector, and this mainly technological change also influences GJ creation. Despite this, there is a research gap related to green self-employment and GJ definitions. The goal of this paper is to explore the scientific literature collected from the Scopus database using a qualitative approach to present areas and keywords related to GJs in the energy sector. The adopted method is a Structured Literature Review (SLR), with the original query Q1. The retrieved data results of the SLR method were analyzed in the form of bibliometric maps of co-occurring keywords generated by the VOSviewer software, together with tables showing clusters of keyword features. As a result, the pivotal keywords and their clusters were identified. In this study, the most important scientific areas of GJ research in the energy sector were also indicated. This paper presents the current state of knowledge and the evolution of the subject of GJs in the energy sector, which can be useful for both researchers and practitioners. In the last section of this paper, possible new directions of future studies on the subject of GJ creation in the energy sector are identified. The limitations of this research and its practical implications are also addressed.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,002 |
| 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 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 ».