Are We Drawing the Correct Conclusions? Regression Analysis in the Nonprofit Literature
Notice bibliographique
Résumé
Linear models are the most commonly used analytical tools in the nonprofit literature. Academics and practitioners utilize these models to test different hypotheses in support of their research efforts, seeking to find significant results that substantiate their theories. And yet the authors of this article have discovered a surprisingly large number of insignificant results in articles from established nonprofit journals. Insignificant hypotheses and Type II errors surely account for a number of these results, but the authors believe the majority of these results are due to a different cause, one that is detectable and preventable: multicollinearity.Dans les articles sur les organismes sans but lucratif, les modèles linéaires sont les outils analytiques les plus communément utilisés. En effet, académiques et praticiens utilisent tous les deux ces modèles pour évaluer diverses hypothèses relatives à leurs recherches, espérant trouver des résultats significatifs pouvant confirmer leurs théories. Pourtant, les auteurs de cet article ont découvert un nombre surprenant de résultats non significatifs dans des articles de revues établies sur les organismes sans but lucratif. Des hypothèses non significatives et des erreurs du type II expliquent sûrement certains de ces résultats, mais les auteurs croient que la majorité des résultats ont une cause différente qui est détectable et évitable : la multicolinéarité.
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 | 0,118 | 0,423 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,002 | 0,002 |
| Bibliométrie | 0,007 | 0,014 |
| Études des sciences et des technologies | 0,003 | 0,012 |
| Communication savante | 0,015 | 0,017 |
| Science ouverte | 0,005 | 0,003 |
| Intégrité de la recherche | 0,004 | 0,008 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,013 | 0,005 |
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 ».