Food Industry Sustainability Through Digitalization: A Systematic Review
Notice bibliographique
Résumé
Digitalization is transforming food security by enhancing efficiency, transparency, and sustainability in agriculture. This study systematically reviews the impact of digital technologies, including IoT, blockchain, AI, and automation, in addressing key food security challenges such as supply chain disruptions, resource inefficiencies, and climate risks. Using a structured methodology, peer-reviewed literature from 2023 to 2024 was analyzed from databases like Scopus and Web of Science. The study follows the PRISMA framework, identifying 29 relevant articles classified into five themes: Emerging Technologies, Digitalization & Sustainability, AI & Automation, Resilience & Optimization, and Knowledge & Innovation. The findings highlight how digitalization improves traceability, predictive analytics, and decision-making in agriculture, enhancing resource management and reducing food waste. However, challenges such as high implementation costs, interoperability issues, and digital literacy gaps hinder adoption. The study emphasizes the need for regulatory frameworks, stakeholder collaboration, and infrastructure investments to maximize the benefits of digital solutions. Integrating AI-driven predictive models and blockchain-enabled transparency mechanisms could further enhance food security by strengthening risk management and supply chain resilience. While digital technologies hold great potential, addressing socioeconomic and technical barriers is crucial for sustainable implementation. Future research should focus on developing inclusive policies and scalable digital solutions to ensure food security in an increasingly digital world.
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 | 0,001 | 0,006 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,000 | 0,003 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,001 |
| 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 ».