A Consumer-Centric Framework for Measuring Product Obsolescence Using User-Generated Content and Large Language Models: Evidence From IoT Devices
Notice bibliographique
Résumé
Identifying product obsolescence factors is essential for guiding sustainable design and extending product longevity. Unlike prior studies, this research leverages online consumer reviews to explore product obsolescence factors. First, ChatGPT-4o, an advanced pre-trained large language model (LLM), is utilized to identify these factors. User-generated content (UGC) time series-based product obsolescence indexes are then defined to quantify each factor's impact, offering a UGC-based complement to earlier methods that depended on expert judgment, supplier input, or survey data. By leveraging real-time customer insights, this approach aligns with Industry 4.0 principles, offering a UGC-based method that can support engineering managers to proactively address product obsolescence. It integrates factors' relative importance, determined through frequency–analytic hierarchy process (Freq-AHP), with their severity impact on consumers, assessed using the Robustly optimized Bidirectional Encoder Representations from Transformers approach (RoBERTa). This is further supported by a robustness check, where small perturbations were applied to sentiment intensities and all indices recalculated, confirming the aggregated obsolescence index remained stable across all product categories. This study focuses on consumer IoT devices, an area underexplored in existing literature, analyzing 47,695 online consumer reviews across nine product categories and selecting 4,771 online obsolescence-related reviews for detailed analysis. Findings reveal nineteen key factors and demonstrate a fundamental shift in obsolescence, indicating that product obsolescence of consumer IoT devices is increasingly driven by adaptability, interoperability, and digital resilience rather than physical durability. These insights demonstrate the potential of the proposed approach to inform product obsolescence mitigation strategies and guide more resilient, user-centered design in IoT 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.
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 | 0,007 | 0,036 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,004 | 0,003 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,002 | 0,003 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 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 ».