Systematic literature review (SLR) has become an important research methodology in software engineering since the introduction of evidence-based software engineering (EBSE) in 2004. One critical step in applying this methodology is to design and execute appropriate and effective search strategy. This is a time-consuming and error-prone step, which needs to be carefully planned and implemented. There is an apparent need for a systematic approach to designing, executing, and evaluating a suitable search strategy for optimally retrieving the target literature from digital libraries. The main objective of the research reported in this paper is to improve the search step of undertaking SLRs in software engineering (SE) by devising and evaluating systematic and practical approaches to identifying relevant studies in SE. We have systematically selected and analytically studied a large number of papers (SLRs) to understand the state-of-the-practice of search strategies in EBSE. Having identified the limitations of the current ad-hoc nature of search strategies used by SE researchers for SLRs, we have devised a systematic and evidence-based approach to developing and executing optimal search strategies in SLRs. The proposed approach incorporates the concept of ‘quasi-gold standard’ (QGS), which consists of collection of known studies, and corresponding ‘quasi-sensitivity’ into the search process for evaluating search performance. We conducted two participant–observer case studies to demonstrate and evaluate the adoption of the proposed QGS-based systematic search approach in support of SLRs in SE research. We report their findings based on the case studies that the approach is able to improve the rigor of search process in an SLR, as well as it can serve as a supplement to the guidelines for SLRs in EBSE. We plan to further evaluate the proposed approach using a series of case studies on varying research topics in SE.

In recent years, Big Data Analytics (BDA) and Federated Learning (FL) have become increasingly essential in healthcare, potentially revolutionizing patient care and optimizing operational efficiency. Big data analytics has transformed the way the healthcare industry operates. It provides an opportunity to extract valuable insights from vast amounts of data that can lead to better healthcare outcomes and reduced healthcare costs. However, the use of big data in healthcare is often hindered by privacy concerns and the need to protect sensitive patient information. FL is an inventive machine learning scheme that addresses these concerns by enabling multiple organizations to collaboratively analyze large datasets without sharing sensitive patient information. This article offers a comprehensive review of the potential of FL to empower healthcare transformation through big data analytics. Furthermore, the article investigates the obstacles and possibilities related to healthcare FL, encompassing the requirement for uniformity, data quality, security, and trust and collaboration among healthcare stakeholders. Finally, the paper looks ahead to the prospects of FL in healthcare, including the potential for real-time monitoring, predictive modeling, and developing new healthcare models prioritizing prevention and wellness. This survey advances the state-of-the-art by comprehensively reviewing how FL can be effectively integrated with BDA to transform healthcare. It uniquely synthesizes current advancements, identifies key technological synergies, and outlines a robust framework for addressing privacy concerns and enhancing data interoperability in healthcare systems. This survey paper is intended for healthcare professionals, researchers, and policymakers interested in the potential of FL to transform the healthcare industry.

Time synchronization among smart city nodes is critical for proper functioning and coordinating various smart city systems and applications. It ensures that different devices and systems in the smart city network are synchronized and all the data generated by these devices is consistent and accurate. Synchronization methods in smart cities use multiple timestamp exchanges for time skew correction. The Skew Integrated Timestamp (SIT) proposed here uses a timestamp, which has time skew calculated from the physical layer and uses just one timestamp to synchronize. The result from the experiment suggests that SIT can be used in place of multiple timestamp exchanges, which saves computational resources and energy.