A digital maturity model for assessing SMEs in the manufacturing sector
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
This paper presents the development of a Digital Maturity Model (DMM) designed to support small and medium-sized manufacturing enterprises (SMEs) in their transition towards Industry 4.0. SMEs face distinct challenges compared to large enterprises, mainly due to financial constraints, limited digital skills and reliance on short-term operational priorities, which necessitate flexible and modular solutions adapted to their context. Existing DMMs show critical limitations, including weak practitioner involvement, lack of multidimensional integration, insufficient consideration of lower maturity levels and absence of actionable strategic outputs. To address these gaps, a six-phase methodology was followed, including qualitative case studies with three Canadian manufacturing SMEs. The final DMM includes five dimensions, 34 subdimensions and 49 indicators covering technological, managerial and organizational aspects. Case studies revealed an overview of digital maturity in SMEs with a strong strategic awareness of digital transformation and early-stage integration of emergent technologies. They also highlighted persistent barriers such as limited digital capabilities, resistance to change and regulatory challenges. The DMM provides practical value as a descriptive tool for assessing maturity and guides both ecosystem positioning and the development of digital transformation roadmaps. It also contributes to the academic field as a replicable and adaptable approach for evaluating digital maturity in SMEs and fostering innovation in manufacturing ecosystems. Future research should focus on developing a scoring methodology and conducting quantitative validation to enhance reliability.
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 | 0,000 | 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 | 0,001 | 0,002 |
| 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