Array
(
    [responseDate] => 2024-11-19T12:14:37Z
    [request] => https://ijsmc.pro-metrics.org/index.php/i/oai
    [GetRecord] => SimpleXMLElement Object
        (
            [record] => SimpleXMLElement Object
                (
                    [header] => SimpleXMLElement Object
                        (
                            [identifier] => oai:ojs2.ijsmc.pro-metrics.org:article/85
                            [datestamp] => 2024-10-17T11:03:36Z
                            [setSpec] => Array
                                (
                                    [0] => i:ART
                                    [1] => driver
                                )

                        )

                    [metadata] => SimpleXMLElement Object
                        (
                            [dc] => SimpleXMLElement Object
                                (
                                    [title] => Machine learning models in health prevention and promotion and labor productivity: A co-word analysis
                                    [creator] => Array
                                        (
                                            [0] => Dominguez Miranda, Sergio Arturo
                                            [1] => Rodriguez Aguilar , Roman
                                        )

                                    [subject] => Array
                                        (
                                            [0] => co-word analysis
                                            [1] => research trends
                                            [2] => bibliometrics
                                            [3] => machine learning models
                                            [4] => health prevention and promotion
                                            [5] => labor productivity
                                        )

                                    [description] => Array
                                        (
                                            [0] => Objective: The objective of this article is to carry out a co-word study on the application of machine learning models in health prevention and promotion, and its effect on labor productivity.
Methodology: The analysis of the relevant literature on the proposed topic, identified in the last 15 years in Scopus, is considered. Articles, books, book chapters, editorials, conference papers and reviews refereed publications were considered. A thematic mapping analysis was performed using factor analysis and strategy diagrams to derive primary research approaches and identify frequent themes as well as thematic evolution.
Results: The results of this study show the selection of 87 relevant publications with an average annual growth rate of 23.25% in related production. The main machine learning algorithms used, the main research approaches and key authors, derived from the analysis of thematic maps, were identified.
Conclusions: This study emphasizes the importance of using co-word analysis to understand trends in research on the impact of health prevention and promotion on labor productivity. The potential benefits of using machine learning models to address this issue are highlighted and anticipated to guide future research focused on improvements in labor productivity through prevention and promotion of health.
Originality: The identification of the relationship between work productivity and health prevention and promotion through machine learning models is a relevant topic but little analyzed in recent literature. The analysis of co-words allows us to establish the reference point of the state of the art in this regard and future trends.
                                            [1] => La salud es elemento vital para el desarrollo de diversas habilidades y potenciar la economía de los países. El impacto en la productividad por parte de los empleados en las empresas puede tener un beneficio relevante tanto económico como reputacional, sin embargo, la forma de abordaje puede ser complicada si no tenemos herramientas de análisis como los generados a partir de modelos de machine Learning, el propósito de esta investigación es la realización de un análisis bibliográfico respecto a investigaciones enfocadas en productividad de las empresas a partir de los elementos de salud y con análisis de machine Learning utilizando métodos de análisis estadístico, relaciones y análisis histórico con base a la terminología utilizada en palabras clave y los resúmenes de la, se encontraron 87 artículos relevantes desde el 2008 a la fecha con un crecimiento anual promedio de 23.25%, se encontraron los principales algoritmos utilizados de machine Learning, los principales enfoques de investigación derivado del análisis de mapeo temático, los principales autores que han escrito así como referenciados y el uso de componentes principales mostró los principales términos con un 71.92% de variabilidad. Se espera que esta investigación pueda dar norte a futuras investigaciones para enfoque en productividad empresarial y el beneficio para los empleados.
                                            [2] => A saúde é um elemento vital para o desenvolvimento de diversas habilidades e para o impulsionamento da economia dos países. O impacto na produtividade por parte dos colaboradores nas empresas pode ter benefícios relevantes tanto econômicos quanto reputacionais. No entanto, abordar esse impacto pode ser desafiador sem ferramentas analíticas, como aquelas geradas a partir de modelos de aprendizado de máquina. O objetivo desta pesquisa é realizar uma análise bibliográfica sobre estudos focados na produtividade das empresas com base em elementos de saúde, utilizando métodos de análise de aprendizado de máquina, incluindo análise estatística, relações e análise histórica. A pesquisa está fundamentada na terminologia utilizada em palavras-chave e resumos. Foram identificados um total de 87 artigos relevantes de 2008 até a presente data, com uma taxa de crescimento anual média de 23,25%. O estudo revelou os principais algoritmos de aprendizado de máquina utilizados, as principais abordagens de pesquisa derivadas da análise de mapeamento temático, os principais autores que contribuíram e foram referenciados nesse campo, e o uso de componentes principais. A análise de componentes principais demonstrou que os termos principais representam 71,92% da variabilidade. Espera-se que esta pesquisa oriente investigações futuras com foco no aprimoramento da produtividade empresarial e nos benefícios para os colaboradores.
                                        )

                                    [publisher] => Pro-Metrics
                                    [date] => 2024-04-07
                                    [type] => Array
                                        (
                                            [0] => info:eu-repo/semantics/article
                                            [1] => info:eu-repo/semantics/publishedVersion
                                            [2] => Peer-reviewed article
                                        )

                                    [format] => application/pdf
                                    [identifier] => Array
                                        (
                                            [0] => https://ijsmc.pro-metrics.org/index.php/i/article/view/85
                                            [1] => 10.47909/ijsmc.85
                                        )

                                    [source] => Array
                                        (
                                            [0] => Iberoamerican Journal of Science Measurement and Communication; Vol. 4 No. 1 (2024): Iberoamerican Journal of Science Measurement and Communication; 1-16
                                            [1] => 2709-3158
                                            [2] => 2709-7595
                                        )

                                    [language] => eng
                                    [relation] => https://ijsmc.pro-metrics.org/index.php/i/article/view/85/80
                                    [rights] => Array
                                        (
                                            [0] => Copyright (c) 2024 Sergio Arturo Dominguez Miranda, Roman Rodriguez Aguilar 
                                            [1] => https://creativecommons.org/licenses/by-nc/4.0
                                        )

                                )

                        )

                )

        )

)