How Do You Study Recruitment? A Consideration of the Issues and Complexity of Designing and Conducting Recruitment Research
Notice bibliographique
Résumé
Research on recruitment has increased in both quantity and quality over the last decade, and several review articles have appeared during this time. Previous reviews, however, focused on recruitment topics, models, and theory. This chapter focuses on the design and methodology of recruitment research. It introduces a model called the Recruitment Research Design Model (RRDM) that describes how recruitment research can be designed and conducted within and across four stages of the recruitment process: application, interaction, job offer, and socialization stages. Using the RRDM, it then shows that there are four different ways to design recruitment research: single-stage designs, cross-stage designs, multiple-stage designs, and sequential-stage designs. After describing each design, this chapter provides examples from the recruitment literature of studies that have used each of the four designs. It then describes the following five methodological issues that are important considerations for designing recruitment research: levels of analysis, research methods, study participants, recruitment practices, and recruitment outcomes. Guidelines and decision points for designing recruitment research based on the RRDM and the five methodological issues are then described.
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 | 0,416 | 0,510 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,002 |
| Méta-épidémiologie (sens large) | 0,005 | 0,002 |
| Bibliométrie | 0,005 | 0,010 |
| Études des sciences et des technologies | 0,010 | 0,024 |
| Communication savante | 0,023 | 0,033 |
| Science ouverte | 0,005 | 0,008 |
| Intégrité de la recherche | 0,015 | 0,021 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,006 | 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; l’étiquette directe de Gemma et le classifieur distillé Codex s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».