Knowledge flows in industry 4.0 research: a longitudinal and dynamic analysis
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Abstract Industry 4.0 represents a significant shift in industrial practices, presenting unique opportunities to improve manufacturing via advanced digital technologies and sustainable processes. The rapid growth of Industry 4.0 research has uncovered a significant knowledge gap and emphasized the need for studies adopting dynamic and longitudinal perspectives to understand this field’s evolution comprehensively. This study meticulously analyzes 10,176 articles to investigate the thematic evolution and knowledge transfer mechanisms within Industry 4.0. The examination reveals four distinct sub-periods, each characterized by thematic transitions, starting with foundational themes such as simulation and cyber-physical systems, progressing to later focuses on cloud computing, convolutional neural networks, and digital twin technologies. As research progresses, themes like production facilities, monitoring, and security highlight the shift towards automation, real-time monitoring, and strong data security measures. Five primary thematic domains are identified: (1) core enablers of sustainable smart manufacturing, (2) innovation and strategic transformation, (3) smart and secure manufacturing systems, (4) advanced data-driven manufacturing technologies, and (5) AI-driven real-time monitoring and production. These domains illustrate a transition from fundamental enablers like the Internet of Things (IoT) to more intricate AI-based applications. The main path analysis indicates a shift in emphasis, moving from essential digital integration towards sustainability, digital transformation, and resource efficiency applications. The findings reveal significant implications and highlight Industry 4.0 as a driving force for sustainable and resilient industrial ecosystems.
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.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,003 |
| 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 découle