MétaCan
Menu
Retour à la cohorte
Enregistrement W4408837438 · doi:10.1299/jsmemecj.2024.s401-17

Global GX Business Utilizing Japan's Strength in Precision Die Manufacturing Technology

2024· article· en· W4408837438 sur OpenAlexaff
Takao Ito

Notice bibliographique

RevueThe Proceedings of Mechanical Engineering Congress Japan · 2024
Typearticle
Langueen
DomaineEngineering
ThématiqueMetallurgy and Material Forming
Établissements canadiensMD Precision (Canada)
Organismes subventionnairesnon disponible
Mots-clésDie (integrated circuit)Manufacturing engineeringEngineeringMechanical engineering

Résumé

récupéré en direct d'OpenAlex

With the adoption of the Paris Agreement in 2015, the global push for de-carbonization and the reduction of fossil resource-derived plastics has intensified, supported by various laws and regulations. In Japan, this has led to increased collaboration among industry, academia, and government, particularly concerning Green Transformation (GX) activities. In this context, the paper highlights the efforts of a die manufacturing company, a crucial pillar of the Japanese economy, to advance GX activities from a global perspective. Leveraging its superior die manufacturing technologies, the company is moving downstream in the value chain to acquire new technologies in emerging fields, thereby enhancing its own value. This initiative not only contributes to the development of the regions where the company operates, such as Iida City in Nagano Prefecture and Ohta Ward in Tokyo, but also to the creation of a sustainable society. This report also details the establishment of advanced PLA injection molding technologies (i.e. ultra-thin wall PLA injection molding and heat-resistant PLA injection molding technology). Additionally, it covers the marketing strategies for PLA products and the conceptual framework for creating an organization and system to promote GX activities. Nissin Precision Machines Co., Ltd., renowned for its precision die manufacturing technology since its founding in 1957, serves as a case study to illustrate these efforts.

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)0,001
score de la tête « metaresearch » (Gemma)0,000
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Sans objet · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: aucune
Score de désaccord entre enseignants0,005
Score d'incertitude au seuil0,018

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0010,000
Méta-épidémiologie (sens strict)0,0010,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0010,001
Études des sciences et des technologies0,0020,001
Communication savante0,0030,002
Science ouverte0,0000,004
Intégrité de la recherche0,0010,001
Charge utile insuffisante (le modèle a refusé de juger)0,0050,001

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 GPT0,219
Écart entre enseignants0,211 · 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'étudeSans objet
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

Citations0
Publié2024
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueThe Proceedings of Mechanical Engineering Congress JapanMême sujetMetallurgy and Material FormingTravaux en français237 207