Women in management worldwide: progress and prospects
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Contents: Women in management worldwide: progress and prospects - an overview, Marilyn J. Davidson and Ronald J. Burke Part I Women in Management - European Union Countries: Women in management in France, Jacqueline Laufer Women in management in Greece, Athena Petraki-Kottis and Zoe Ventoura-Neokosmidi Women in management in the Netherlands, Kea G. Tijdens Women in management in Portugal, Carlos Cabral-Cardoso Women in management in Spain, Mireia las Heras, Nuria Chinchilla and Consuelo LeA^3n Women in management in the UK, Fiona M. Wilson. Part II Women in Management - European Countries: Women in management in Norway, Laura E.M. Traavik and Astrid M. Richardsen Women in management in Russia, Carianne M. Hunt and Sarah E. Crozier. Part III Women in Management - North and Central America: Women in management in Canada, Golchehreh Sohrab, Rekha Karambayya and Ronald J. Burke Women in management in Mexico, Gina Zabludovsky Women in management in the USA, Kimberly Mathe, Susan Michie and Debra L. Nelson. Part IV Women in Management - Australasia: Women in management in Australia, Glenice J. Wood Women in management in New Zealand, Judy McGregor. Part V Women in Management - Asia: Women in management in China, Fang Lee Cooke Women in management in Israel, Ronit Kark and Ronit Waismel-Manor Women in management in Lebanon, Hayfaa Tlaiss and Saleema Kauser Women in management in Turkey, Hayat Kabasakal, Zeynep Aycan, Fahri Karakas and Ceyda Maden. Part VI Women in Management - South America: Women in management in Argentina, Roberto Kertesz and Haydee Kravetz. Part VII Women in Management - Africa: Women in management in South Africa, Babita Mathur-Helm Index.
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.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,002 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
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 découle