NeuroIS: Challenges and solutions
Notice bibliographique
Résumé
Consistent with the ICIS conference theme “Gateway to the Future,” this panel will debate the advantages of pursuing NeuroIS – an emerging area in the IS discipline that offers a new lens into IS phenomena by looking into the brain’s functionality – relative to the challenges inherent in adopting a new set of neuroscience theories and tools . The panelists will debate whether the difficulties involved in conducting NeuroIS studies outweigh their benefits, and whether it is possible to overcome these challenges. Izak Benbasat will outline the process of conducting NeuroIS studies, including identifying interesting IS research problems, designing experiments, and presenting results. Kai Lim and Eric Walden will focus on the challenges of NeuroIS studies, while Angelika Dimoka will seek to counteract these challenges with a set of solutions. From an editor’s perspective, Detmar Straub will discuss the challenges in editing and reviewing manuscripts that rely on novel (neuroscience) theories and (neurophysiological) tools, offering guidelines for authors for publishing in this new area. The panel seeks to have a broad appeal to IS researchers who may be interested in NeuroIS but may be impeded by its challenges. The panel’s ultimate goal is to assess if these challenges could be overcome and give IS researchers a set of actionable solutions to conduct high-quality studies.
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 | 0,082 | 0,079 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,002 | 0,002 |
| Bibliométrie | 0,004 | 0,005 |
| Études des sciences et des technologies | 0,009 | 0,015 |
| Communication savante | 0,023 | 0,033 |
| Science ouverte | 0,007 | 0,014 |
| Intégrité de la recherche | 0,020 | 0,020 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,024 | 0,006 |
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 ».