Human Factors in Operations Management: Comparative Perspectives on Decision Support Models
Notice bibliographique
Résumé
The integration of human factors and ergonomics (HF/E) into industrial and operational decision support modeling has grown rapidly over the past decade. In particular, physical aspects (e.g., physical workload, fatigue-recovery cycles) have been popular in developing human-centered solutions in operations management (OM). These solutions aim, first, to prevent both short- and long-term health issues among workers (e.g., work overload and occupational musculoskeletal disorders) and, second, to enhance the system performance of model-based solutions in real-world settings. However, adopting a human-centric perspective necessitates interdisciplinary knowledge. Specifically, each model or tool developed by ergonomists possesses unique characteristics (including the original experimental settings, the scope of collected data, and the intended application scenarios). They should thus be used with caution in managerial decision support models. To facilitate the knowledge transfer from HF/E to OM, this pilot study provides preliminary results of: (i) a scoping review of the integration of physical HF into decision support modeling in operations management; (ii) a critical evaluation of model assumptions and the interpretation of results from an HF/E perspective; and (iii) the development of a structural framework to suggest HF/E model choices. The current study presents preliminary results with an interdisciplinary perspective, which will be extended in future research.
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) | 0,000 | 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 ».