MétaCan
Menu
Retour à la cohorte
Enregistrement W1573178483 · doi:10.1108/13665621211239877

Learning racial hierarchies

2012· article· en· W1573178483 sur OpenAlexaff
Kiran Mirchandani

Notice bibliographique

RevueJournal of Workplace Learning · 2012
Typearticle
Langueen
DomaineSocial Sciences
ThématiqueEmotional Labor in Professions
Établissements canadiensInstitute for Christian StudiesUniversity of Toronto
Organismes subventionnairesnon disponible
Mots-clésCurriculumPublic relationsContext (archaeology)Service (business)PsychologyKnowledge managementPedagogyMarketingBusinessComputer sciencePolitical science

Résumé

récupéré en direct d'OpenAlex

Purpose This paper aims to focus on the communications skills training given to transnational call center workers in India whose jobs involve providing customer service to Western customers. Emotion work is a key component of customer service jobs, and this work is constructed as an important soft skill. Design/methodology/approach Between 2002 and 2009, 100 interviews were conducted with customer service workers, trainers and managers in India. Respondents provided detailed descriptions of their training curricula and some workers shared their complete set of training booklets. The analysis for this paper is based on a section of the curricula that focuses on communication skills used during training programs for Indian customer service agents. Findings Training curricula designed to enhance the communication skills of call center agents are vehicles through which workers learn to make sense of their place in social, economic and cross‐national hierarchies. Research limitations/implications The study of emotion work in relation to workplace learning occurs in the context of global economic regimes. Originality/value Training curricula on communication skills serves to help workers to cope with the expression of customer abuse. Rather, there is a need to develop regulations that protect workers from customer aggression.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,005
score de la tête « metaresearch » (Gemma)0,008
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Qualitatif · Signal consensuel: Qualitatif
GenreSignal candidat: Empirique · Signal consensuel: aucune
Score de désaccord entre enseignants0,017
Score d'incertitude au seuil0,056

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0050,008
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0010,001
Études des sciences et des technologies0,0100,007
Communication savante0,0070,005
Science ouverte0,0010,006
Intégrité de la recherche0,0010,002
Charge utile insuffisante (le modèle a refusé de juger)0,0170,002

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.

Tête enseignante Opus0,019
Tête enseignante GPT0,342
Écart entre enseignants0,323 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeQualitatif
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations18
Publié2012
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueJournal of Workplace LearningMême sujetEmotional Labor in ProfessionsTravaux en français237 207