Key issues in electric vehicle battery supply chains based on English-language news articles: a machine learning approach
Notice bibliographique
Résumé
• EV battery supply chains face challenges in manufacturing, recycling, and capacity. • Policy and innovation drive EV battery supply chain growth in key global regions. • Raw material shortages strain EV battery supply chains, needing sustainable solutions. • Circular economy aids EV battery supply chains in tackling waste and material reuse. • Machine learning reveals trends reshaping EV battery supply chain operations. The global transition to clean energy has placed the electric vehicle (EV) battery supply chain at the center of sustainability, innovation, and economic development. This study presents the first systematic analysis of public discourse on the EV battery supply chain using web mining and natural language processing (NLP) techniques. Analyzing 667 news articles with machine learning algorithms such as PCA and t-SNE, the study identifies core issues shaping the sector, including manufacturing, capacity expansion, and recycling, all driven by surging EV demand and circular economy pressures. Key emerging themes include strategic growth, technological advancement, and policy support, with countries like Canada and those in Europe positioning themselves as leaders. The findings highlight critical dependencies on materials such as lithium, nickel, and cobalt, underscoring the need for coordinated strategies to ensure sustainable, resilient supply chains. This research offers foundational insights for policymakers and industry stakeholders advancing the global shift to electric mobility.
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 enseignantsNi 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.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,004 | 0,032 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,025 | 0,029 |
| Études des sciences et des technologies | 0,002 | 0,002 |
| Communication savante | 0,010 | 0,011 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,002 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,005 | 0,001 |
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.
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 source (Gemma direct ou Codex distillé), 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 ».