Identification des connaissances d\'ingénierie par la méthode Lean pour atténuer le changement climatique : le cas d\'une usine de confection
Bibliographic record
Abstract
L'industrie textile connaît une croissance exponentielle annuelle.Il est donc difficile de pénétrer dans le secteur supérieur, car les entreprises textiles sont confrontées à des contraintes qu'elles doivent maîtriser pour maintenir leur compétitivité.En effet, leur manque de contrôle sur la bonne gestion de la chaîne d'approvisionnement associé aux retards a créé des pertes totales pour l'entreprise elle-même.A Madagascar, le développement des industries fait partie de notre vision, mais les difficultés d'approvisionnement rencontrées par les entreprises textiles ces dernières années soulignent également l'importance de l'enjeu.L'objectif de cette étude est de synthétiser plusieurs recherches scientifiques portant sur les retards de production attribuables à une gestion inadéquate des problèmes liés à l'approvisionnement et à la production dans l'industrie textile, dans le but de diffuser des connaissances techniques pertinentes sur la lutte contre le changement climatique.La recherche s'appuie sur la méthode Function Analysis System Technique en utilisant les outils Lean 5S et des méthodes mathématiques.Les résultats montrent que le modèle Supply Chain ou S.C intégré se distingue comme le modèle le plus utilisé parmi les articles recherchés, suivi par le modèle S.C Lean, Ce dernier a connu la plus grande évolution, reflétant peut-être l'adaptabilité croissante de cette approche avec l'objectif d'améliorer le contrôle de l'offre dans l'industrie textile afin de minimiser les retards et d'améliorer la productivité afin de contribuer à l'atténuation du changement climatique.À terme, cette recherche pourrait bénéficier aux industries du textile en les préparant à faire face efficacement aux défis du changement climatique à venir.
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame machine prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. The Gemma side is a direct model label for every work in the frame, read from the title-only record. The Codex side is a classifier learned from the 10,348 direct Codex labels and calibrated to design-weighted sample rates; fields without enough sample support carry no Codex call. Candidate is the union of the two sides; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels.
Distilled classifier scores by category (both heads)
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.009 | 0.021 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.002 | 0.001 |
| Science and technology studies | 0.001 | 0.001 |
| Scholarly communication | 0.004 | 0.002 |
| Open science | 0.001 | 0.001 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.002 | 0.000 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; a candidate call from one source (direct Gemma or distilled Codex), not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".