Why papers are rejected and how to get yours accepted
Notice bibliographique
Résumé
Purpose Interpretive consumer researchers frequently devote months, if not years, to writing a new paper. Despite their best efforts, the vast majority of these papers are rejected by top academic journals. This paper aims to explain some of the key reasons that scholarly articles are rejected and illuminate how to reduce the likelihood of rejection. Design/methodology/approach This paper is a dialogical collaboration between a co-editor of the Journal of Consumer Research and two junior scholars who represent the intended audience of this paper. Each common reason for rejecting papers, labeled as Problems 1-8, is followed by precautionary measures and detailed examples, labeled as solutions. Findings The paper offers eight pieces of advice on the construction of interpretive consumer research articles: (1) Clearly indicate which theoretical conversation your paper is joining as early as possible. (2) Join a conversation that belongs in your target journal. (3) Conclude your review of the conversation with gaps, problems and questions. (4) Only ask research questions that your data can answer. (5) Build your descriptive observations about contexts into theoretical claims about concepts. (6) Explain both how things are and why things are the way that they are. (7) Illustrate your theoretical claims with data and support them with theoretical argumentation. (8) Advance the theoretical conversation in a novel and radical way. Originality/value The goal of this paper is to help interpretive consumer researchers, especially junior scholars, publish more papers in top academic journals such as the Journal of Consumer Research .
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 distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,004 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,007 | 0,003 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 0,000 |
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.
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 tête enseignante, 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 ».