MétaCan
Menu
Retour à la cohorte
Enregistrement W2534520787 · doi:10.5539/mas.v11n2p8

Investigating the Relationship between Marketing Knowledge Sharing and Developing Competitive Advantage (Case Study: Arak Shazand Petrochemical)

2016· article· en· W2534520787 sur OpenAlexvenueno aff
Mohamad Reza Hamidizadeh, Parinaz Aghaei Meibodi

Notice bibliographique

RevueModern Applied Science · 2016
Typearticle
Langueen
DomaineSocial Sciences
ThématiqueKnowledge Management and Sharing
Établissements canadiensnon disponible
Organismes subventionnairesnon disponible
Mots-clésCronbach's alphaStratified samplingStatisticKnowledge sharingContent validityCompetitive advantageUnivariateConfirmatory factor analysisRegression analysisReliability (semiconductor)MarketingVariablesStructural equation modelingComputer scienceStatisticsKnowledge managementMathematicsBusinessMultivariate statisticsService (business)

Résumé

récupéré en direct d'OpenAlex

The aim of this study is to investigate the relationship between marketing knowledge sharing and developing competitive advantage. This research is an applied objective research and data collection method of description-correlation nature the subjects under study by this research are employees of Arak Shazand petrochemical industry. The sample size was estimated 90 people. The method is stratified random sampling. A standard questionnaire was used to collect data. Marketing knowledge sharing questionnaire of Moghimi and Ramazani (2011) contains 17 items and developing competitive advantage questionnaire of Hill and Jones (2010) contains 16 items. Logical validity (face and content) of questionnaires was reviewed and approved through several university professors and several experts of this industry. Also, construct validity was reviewed and approved by confirmatory factor analysis using AMOS software. Cronbach's alpha coefficient of 0.7 was obtained for variables that indicate internal consistency of items and acceptable reliability of the questionnaire. The research hypothesis test using univariate linear regression was performed with application of SPSS software. The results showed that, given that the t-statistic value is greater than 1.96 (t = 6.48), the relationship between two variables, competitive advantage and marketing knowledge sharing was significant at the 5% error level Standard regression coefficient (0.57) also specified the share of independent variable in explaining the changes of dependent variable so that for every one unit increase in variable of marketing knowledge sharing, competitive advantage increases 0.57.

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)0,001
score de la tête « metaresearch » (Gemma)0,002
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: Observationnel
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,008
Score d'incertitude au seuil0,015

Scores du classifieur distillé par catégorie (deux têtes)

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

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 Opus0,087
Tête enseignante GPT0,346
Écart entre enseignants0,259 · 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'étudeObservationnel
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

Citations0
Publié2016
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueModern Applied ScienceMême sujetKnowledge Management and SharingTravaux en français237 207