A Review of Using Green Industrial Internet of Things in Sustainable Development and Energy Management: A Bibliometrics Analysis
Bibliographic record
Abstract
چکیده: هدف مطالعه حاضر ارائه یک تحلیل کتابشناختی از پژوهشهای مربوط به اینترنت اشیاء صنعتی سبزِ منتشر شده در دو پایگاه اطلاعاتی WOS و Scopus در بازه زمانی 2024-2013 است. در مجموع 467 مقالهی پژوهشی در حوزه اینترنت اشیاء صنعتی سبز از این دو پایگاه بازیابی شد. روند رشد سالانه پژوهشهای این حوزه تا پایان سال 2023 برابر 63.68 درصد بوده که حاکی از استقبال فزاینده پژوهشگران از این موضوع است. دستهبندی کلمات کلیدی پرتکرار، حاکی از سه مقوله کلیدی در این حوزه است که عبارتاند از: 1) مضامین کلیدی (شامل مفاهیمی مانند اینترنت اشیاء صنعتی سبز، پایداری، کارایی انرژی، صنعت نسل 4 و 5، کلاندادهها)، 2) سختافزارها (شامل ابزارها و دستگاههای کلیدی اینترنت اشیاء مانند سیستم فیزیکی سایبری، شبکه حسگر بیسیم، سنسورها، ارتباطات بیسیم، سرورها، وسایل نقلیهی هوایی بدون سرنشین و باتریها) و 3) نرمافزارها (شامل فناوریهای محاسباتی مانند هوش مصنوعی، یادگیری ماشین، بلاکچین، بهینهسازی، یادگیری عمیق، پردازش ابری، رایانش لبهای، دسترسی چندگانه غیر متعامد، رایانش لبهای موبایل، یادگیری تقویتی، رایانش مِه) قابل توجه است. این تحقیق علاوه بر شناسایی تحقیقات، مجلات و کشورهای تأثیرگذار در این حوزه، برای محققینی که قصد انجام مطالعات مروری، مانند فراترکیب و فراتحلیل در حوزه ایننترنت اشیاء صنعتی سبز را دارند، درک جامعی از دانش موجود در این زمینه و شکافهای تحقیقاتی ارائه میدهد. همچنین، به سیاستگذاران علم و فناوری در تدوین راهبردهای تحقیقاتی و تصمیمات تأمین مالی در این حوزه کمک کند.
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 | 0.038 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.002 | 0.002 |
| Bibliometrics | 0.121 | 0.168 |
| Science and technology studies | 0.002 | 0.002 |
| Scholarly communication | 0.006 | 0.006 |
| Open science | 0.001 | 0.002 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.005 | 0.001 |
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".