A Study of Supply Chain Research During the Covid-19 Pandemic Using Text Mining and Bibliometric Methods
Notice bibliographique
Résumé
The Covid-19 pandemic has been one of the significant factors in supply chain disruptions worldwide, and research in this domain has gained considerable attention during the last few years. However, it is crucial to understand the amount of attention each industry and problem gets to improve the quality of future research and identify research gaps. In this literature survey, 574 research papers from the Scopus database were retrieved and pre-processed to perform the analyses. A bibliometric study using keywords was conducted to unveil the various research themes in the current literature related to supply chains and Covid-19. Moreover, topic modelling was implemented using abstracts to contrast the results from the bibliometric analysis. From the studies, the frequent research streams are identified, clustered, and discussed. Moreover, future research avenues are highlighted. Additionally, it can be observed that both methodologies complement each other. On one side, the bibliometric study provides a broad perspective of the topics; on the other side, the modelling reveals more detailed themes. Hence, researchers could employ both approaches simultaneously when performing an analysis of the state-of-the-art to present an enriched research panorama. This study also highlights the use of both methods to accelerate the review process and attain better insights.
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 enseignantsNi 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.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,012 | 0,037 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,063 | 0,099 |
| Études des sciences et des technologies | 0,002 | 0,001 |
| Communication savante | 0,007 | 0,007 |
| Science ouverte | 0,001 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 source (Gemma direct ou Codex distillé), 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 ».