MétaCan
Menu
Retour à la cohorte
Enregistrement W4408249667 · doi:10.5267/j.dsl.2024.12.006

The human-machine interface enables collaborative decision-making and supply chain flexibility to boost operational performance

2025· article· en· W4408249667 sur OpenAlexvenueno aff
Hotlan Siagian, Yonathan Palumian, Sautma Ronni Basana, Zeplin Jiwa Husada Tarigan, Roxanne O. Doron

Notice bibliographique

RevueDecision Science Letters · 2025
Typearticle
Langueen
DomaineEngineering
ThématiqueFlexible and Reconfigurable Manufacturing Systems
Établissements canadiensnon disponible
Organismes subventionnairesDirektorat Jenderal Pendidikan TinggiUniversitas Kristen Petra
Mots-clésFlexibility (engineering)Supply chainInterface (matter)Human–machine interfaceComputer scienceProcess managementHuman–machine systemRisk analysis (engineering)BusinessOperations managementOperations researchSystems engineeringEngineeringHuman–computer interactionMarketingEconomicsOperating systemManagement

Résumé

récupéré en direct d'OpenAlex

Using technology, such as human-machine interfaces, can enhance operational performance processes and increase the flexibility of the supply chain. Human-machine interfaces can produce operational control systems quickly and accurately. The research aims to explore the impact of human-machine interface on operational performance through collaborative decision making and supply chain agility. The sample criteria are the manufacturing companies with over 20 employees in Indonesia. The questionnaires were distributed offline (76 respondents) and online through Google Forms (427 respondents), so 503 questionnaires were valid—data processing using SmartPLS software version 4.0. The study results showed that the human-machine interface technology positively affects collaborative decision-making, supply chain flexibility, and operational performance with coefficients of 0,559, 0,490, and 0,340, respectively. Collaborative decision-making involving customer partners in planning decisions and communicating decisions with external partners influences supply chain flexibility by a coefficient of 0.375 and operational performance by 0.149. Moreover, supply chain flexibility with flexible planning and production processes and flexible labor placement influences operational performance by a coefficient of 0.381. The practical contribution of research enlightens company managers to build integrated systems and automation. It encourages top management and owners to think about investing in machines with high automation in the economy. Besides, these findings enrich the theoretical background in supply chain management and the resource-based view.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,003
score de la tête « metaresearch » (Gemma)0,010
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,007
Score d'incertitude au seuil0,022

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0030,010
Méta-épidémiologie (sens strict)0,0010,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0010,001
Études des sciences et des technologies0,0010,001
Communication savante0,0040,002
Science ouverte0,0000,002
Intégrité de la recherche0,0010,001
Charge utile insuffisante (le modèle a refusé de juger)0,0070,001

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.

Tête enseignante Opus0,008
Tête enseignante GPT0,282
Écart entre enseignants0,274 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeObservationnel
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations2
Publié2025
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueDecision Science LettersMême sujetFlexible and Reconfigurable Manufacturing SystemsTravaux en français237 207