MétaCan
Menu
Retour à la cohorte
Enregistrement W2544029397 · doi:10.5539/emr.v5n2p40

Technology Management: A Cross-Disciplinary Master-Program with a Focus on Leadership

2016· article· en· W2544029397 sur OpenAlexvenueno aff
Charlotta Johnsson, Carl‐Henric Nilsson, Stein Kleppestø

Notice bibliographique

RevueEngineering Management Research · 2016
Typearticle
Langueen
DomaineBusiness, Management and Accounting
ThématiqueOrganizational Learning and Leadership
Établissements canadiensnon disponible
Organismes subventionnairesLunds Universitet
Mots-clésMindsetTeamworkCurriculumLeadership styleEducational leadershipPsychologyCross disciplinaryShared leadershipDisciplineClass (philosophy)Mathematics educationPedagogyMedical educationManagementSociologyPolitical sciencePublic relationsComputer scienceMedicineSocial science

Résumé

récupéré en direct d'OpenAlex

Leadership is important. Management is important. There are good reasons to conceptually and pedagogically separate the two in order to see some fundamental differences. In a cross disciplinary master program named Technology Management at Lund University, Sweden, the students are given opportunities to study and learn management, and however, what makes the program unique is its profound focus on leadership. The Technology Management program includes six courses, Teamwork and Leadership being one of them. In this course, theories and knowledge in leadership is learnt and discussed, this is then intertwined into the other courses in which it is practiced, and finally the outcome is brought back to the Teamwork and Leadership course for further discussions. In addition to this the students are writing daily reflections in a so called Learning Journal, over a one-year period, making it possible for the students to reflect over and thereby shape their own leadership style and mindset. Course evaluations and placement reports indicates that the students learning about theories, practice and mindset related to leadership is ranked as the most valuable learning from their entire educational curricula/period.

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)0,003
score de la tête « metaresearch » (Gemma)0,001
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Sans objet · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,068
Score d'incertitude au seuil0,229

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0030,001
Méta-épidémiologie (sens strict)0,0020,001
Méta-épidémiologie (sens large)0,0010,001
Bibliométrie0,0020,001
Études des sciences et des technologies0,0040,001
Communication savante0,0050,002
Science ouverte0,0010,006
Intégrité de la recherche0,0020,004
Charge utile insuffisante (le modèle a refusé de juger)0,0680,026

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 Opus0,085
Tête enseignante GPT0,306
Écart entre enseignants0,222 · 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'étudeSans objet
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 revueEngineering Management ResearchMême sujetOrganizational Learning and LeadershipTravaux en français237 207