MétaCan
Menu
Retour à la cohorte
Enregistrement W1990392541 · doi:10.4236/ti.2014.52011

Analyzing Internal Stakeholders’ Salience in Product Development

2014· article· en· W1990392541 sur OpenAlexvenueno aff
Tuomo Kinnunen, Aki Aapaoja, Harri Haapasalo

Notice bibliographique

RevueTechnology and Investment · 2014
Typearticle
Langueen
DomaineBusiness, Management and Accounting
ThématiqueQuality Function Deployment in Product Design
Établissements canadiensnon disponible
Organismes subventionnairesnon disponible
Mots-clésStakeholderSalience (neuroscience)SalientStakeholder analysisNew product developmentProcess managementContext (archaeology)Knowledge managementBusinessComputer scienceMarketingPublic relationsPolitical science

Résumé

récupéré en direct d'OpenAlex

Many companies apply Design for X principles to consider production and product lifecycle cost implications in the early phase of product development. In these companies, representatives of different Design for X disciplines form a specific group of internal stakeholders. This single case study constructs a stakeholder salience assessment framework and uses the framework to analyze internal stakeholders’ salience in product development in the case company. As the main result, the compared stakeholders are sequenced and their relative saliences are valued and visualized. In that single case, product management representatives perceived Design for Testing as clearly the most salient stakeholder being four times more salient than Design for Packaging. The framework and assessment procedure are applicable to use in other contexts and companies. This study exemplifies usage of the framework but the results are not generalizable. After salience assessment a company may take corrective actions to increase or decrease the salience of specific stakeholder group, to disband an internal stakeholder group, to consolidate some stakeholder groups together, or to segregate a Design for X group into several groups. The novel approach of this study is to apply the stakeholder salience assessment framework in product development context.

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)0,010
score de la tête « metaresearch » (Gemma)0,024
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: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,010
Score d'incertitude au seuil0,054

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0100,024
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0030,001
Études des sciences et des technologies0,0020,002
Communication savante0,0020,003
Science ouverte0,0000,004
Intégrité de la recherche0,0010,001
Charge utile insuffisante (le modèle a refusé de juger)0,0010,000

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.

Tête enseignante Opus0,049
Tête enseignante GPT0,236
Écart entre enseignants0,187 · 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

Citations9
Publié2014
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueTechnology and InvestmentMême sujetQuality Function Deployment in Product DesignTravaux en français237 207