Human-Centered AI for Industry 5.0 (HUMAI5.0)
Notice bibliographique
Résumé
Integrating artificial intelligence (AI) in the workplace has created many challenges and opportunities for human work. Increased human–automation collaboration is expected on physical or cognitive tasks. Several disciplines have echoed the fact that these new technologies automate part of the work steps in collaboration with human operators rather than replacing entire professions, such as Information Technologies (Seeber et al., 2020), economics (Frey & Osborne, 2017), work psychology (Parker & Grote, 2022) and human factors & ergonomics (Mueller et al., 2021). The area of Industry 4.0 (I4.0) is at the forefront of the digitalization of human work wherein AI plays a central role. I4.0 intends to increase production system capabilities in terms of productivity, repeatability, flexibility, real-time monitoring, and process standardization (Zheng et al., 2021). This is done by integrating a set of digital, robotic, and automated technologies into production (Kadir et al., 2019) and combining different digital solutions together (Zheng et al., 2021). The latest technological advances in I4.0 have increased the capabilities of machines in performing complex, cognitive tasks (Xiong et al., 2022). However, the development of I4.0 technologies follows a technocentric approach (Sony & Naik, 2020). Focusing on technology development first (Carayannis et al., 2022). Bibliometric analyses quantified the technocentric directions of I4.0. A recent literature review noted that out of a sample of 4885 studies with a search strategy that included the terms Industry 4.0 and Human Factors, 4849 studies focused on technical factors and 36 on human factors (Passalacqua et al., 2022). This top-down approach often neglects the contextual factors that govern work systems and their potential integration into situated operational practices (Loup-Escande, 2022).
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) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,004 | 0,004 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,013 | 0,005 |
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; les deux têtes enseignantes s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».