Notice bibliographique
Résumé
Charities, also called voluntary-service not-forprofit organizations (VSNFP), play a vital role in modern societies by addressing needs and providing services that benefit the public. These services frequently are available from neither markets nor governments. Many charitable organizations have been created to deliver or have expanded their range or scope of services as the result of governments “devolving” or transferring services to the non-profit sector (Gunn, 2004). Therefore, it is unsurprising that charities have a significant impact economically and socially. For example, volunteer work in Argentina, the United Kingdom, Japan, the United States, and is valued at 2.7, 21, 23, and 109 billion (US) dollars respectively (Johns Hopkins University, 2005). Volunteering translates into significant resources for non-profit organizations. For example, Statistics Canada estimates that work equivalent to 1 million fulltime jobs was provided through volunteer labor in 2004 (Statistics Canada, 2006). While charities are part of the non-profit sector, research demonstrates that charitable organizations differ from for-profit organizations in terms of their human capital management, management practices, and strategies (Bontis & Serenko, 2008). Failing to account for such differences may adversely affect theory (Orlikowski & Barley, 2001) and practice (Kilbourne & Marshall, 2005). Our key question is: What is the extent of our understanding of the role of knowledge management, both as process and system, in charitable organizations? We discuss this question by adapting the knowledge management (KM) research framework originally developed for examining KM in knowledge-based enterprises (Staples, Greenaway & McKeen 2001). Many non-profits are “knowledge-intensive” organizations (Lettieri et al 2004:17). Therefore, this research model should be transferable to non-profit organizations including charities.
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 | 0,014 | 0,023 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,003 | 0,004 |
| Études des sciences et des technologies | 0,014 | 0,011 |
| Communication savante | 0,013 | 0,009 |
| Science ouverte | 0,002 | 0,015 |
| Intégrité de la recherche | 0,003 | 0,004 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,009 | 0,002 |
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.
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 ».