Recommendations to improve the usability of research results as reference system elements addressing corporate engineers, researchers, and policymakers
Notice bibliographique
Résumé
Product engineering is a highly complex process faced with many challenges. To meet today’s challenges of society, such as climate change, energy production and demands, and demographic shifts, and to achieve economic success for companies, technical solutions in products and systems must evolve and advance. Hereby, university research provides a potent source of cutting-edge technologies and knowledge that companies can use as input to advance their solutions. However, many challenges and barriers hinder the process of transferring new technologies, concepts, and knowledge from research to corporate engineering. In this article, we present 22 recommendations to improve the usability of research results for the activities and processes of corporate product engineering. These recommendations address the three relevant target groups: (I) corporate engineers and companies, (II) researchers and research facilities, and (III) funding agencies and (research) policymakers. First, we offer recommendations for corporate engineers and companies to integrate research results more efficiently. Second, we present recommendations for researchers and research facilities to support the promotion and transferability of their research results. Third, we provide recommendations for funding agencies and (research) policymakers to positively influence the usability of research results in corporate engineering. We expect that implementing one or more of our recommendations will enhance the efficiency of knowledge and technology transfer into corporate product engineering. We anticipate this will lead to faster technological advancements for companies and social benefits by addressing today’s major challenges more effectively.
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 | 0,005 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| 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 ».