Trends of Machine Learning, Cybersecurity and Big Data Analytics in Industry 4.0
Notice bibliographique
Résumé
This research explores the integration of Machine Learning (ML), Cybersecurity, and Big Data Analytics (BDA) in advancing intelligent, secure, and sustainable industrial ecosystems within Industry 4.0. It assesses global research productivity, collaboration patterns, and the connection between intelligent automation, data-driven innovation, and cyber resilience. A PRISMA-based bibliometric review of 1,386 relevant publications from the Scopus database (2020-2025) was conducted, using Biblioshiny visualization tools to map key authors, institutions, countries, and emerging research clusters. Findings show a 7.09% annual growth in publications, reflecting a growing global focus on ML, BDA, and cybersecurity within Industry 4.0 ecosystems. The United States, China, and India were identified as major contributors, with strong cross-continental collaborations fostering innovation. Key research topics include deep learning, digital twins, and the Internet of Things (IoT), while emerging areas such as explainable AI, federated analytics, and edge computing are gaining attention. By mapping global research dynamics and identifying key contributors, this study highlights critical research gaps and offers practical insights for advancing interdisciplinary innovation, aimed at creating secure, intelligent, and sustainable industrial ecosystems in Industry 4.0.
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 | 0,005 | 0,015 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,029 | 0,053 |
| Études des sciences et des technologies | 0,001 | 0,002 |
| Communication savante | 0,007 | 0,009 |
| Science ouverte | 0,001 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 ».