Notice bibliographique
Résumé
Discussants: PHILIP G. BERGER, University of Chicago - Graduate School of Business; ROBERT F. BRUNER, University of Virginia - Darden Graduate School of Business; DAVID J. DENIS, Purdue University - Krannert School of Management; STEPHEN R. FOERSTER, University of Western Ontario - Richard Ivey School of Business; ROBERT H. GERTNER, University of Chicago - Graduate School of Business; STUART C. GILSON, Harvard Business School; JOHN R. GRAHAM, Duke University - Fuqua School of Business; LAURIE SIMON HODRICK, Columbia Business School; STEVEN N. KAPLAN, University of Chicago - Graduate School of Business; LARRY H.P. LANG, Chinese University of Hong Kong; VOJISLAV MAKSIMOVIC, University of Maryland - Robert H. Smith School of Business; JOHN D. MARTIN, Baylor University - Hankamer School of Business; JOHN G. MATSUSAKA, University of Southern California - Marshall School of Business; RANDALL MORCK, University of Alberta School of Business; GORDON M. PHILLIPS, University of Maryland - Robert H. Smith School of Business; HENRI SERVAES, London Business School Organized by: PETER TUFANO, Harvard Business School As teachers, we often face the challenge of helping MBA students understand important managerial issues where research is unsettled. This is one of a series of pieces written as a quick introduction to a controversial area which many of us have to touch upon in our courses: the diversification discount. Belen Villalonga has written an overview of some of the issues surrounding the diversification discount and assembled a selected bibliography on the topic. We then invited a small number of leading researchers and teachers in the field to comment on how they treat this topic in the classroom.
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 | 0,026 | 0,089 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,002 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,009 | 0,003 |
| Communication savante | 0,014 | 0,012 |
| Science ouverte | 0,004 | 0,007 |
| Intégrité de la recherche | 0,020 | 0,019 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,193 | 0,115 |
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 ».