MétaCan
Menu
Retour à la cohorte
Enregistrement W2594035967 · doi:10.1108/jkm-07-2016-0300

Citation classics published in knowledge management journals. Part III: author survey

2017· article· en· W2594035967 sur OpenAlexaff
Alexander Serenko, John Dumay

Notice bibliographique

RevueJournal of Knowledge Management · 2017
Typearticle
Langueen
DomaineBusiness, Management and Accounting
ThématiqueIntellectual Capital and Performance Analysis
Établissements canadiensLakehead University
Organismes subventionnairesnon disponible
Mots-clésSerendipityCitationOriginalityLuckValue (mathematics)Computer sciencePerspective (graphical)Citation analysisSociologyEpistemologyKnowledge managementSocial scienceLibrary scienceQualitative researchPhilosophy

Résumé

récupéré en direct d'OpenAlex

Purpose This paper is the third part of a series of works investigating the top 100 knowledge management (KM) citation classic articles. The purpose of this paper is to understand why KM citation classics are well-cited. Design/methodology/approach The results of a survey of 58 KM citation classic authors were reported as descriptive statistics and subjected to content analysis. Findings An archetype of a KM citation classic author was constructed including demographics, personal characteristics, motivation and work preferences. There is a need for developing novel ideas in KM research. Timeliness of a publication is directly linked to its future impact. Editors should involve citation classics authors as reviewers, and KM researchers should improve their citation practices. Serendipity played a very important role in early KM research, especially from the perspective of discovering new and interesting phenomena. Research limitations/implications Whereas the importance of serendipity is not questioned, future KM researchers should rely more on a formal, meticulous and well-planned research approach rather than on the hope of making a discovery by accident or luck. KM citation classics authors relied on serendipity to form the foundation of the discipline, but extending their work requires formal and structured inquiries. Practical implications Many authors conducted research to solve a problem to serve the needs of both practice and academia, rather than being overly theoretical. Originality/value Because KM researchers can no longer rely on past bibliometric theories, this paper helps understand why specific articles are highly cited and recommends how to conduct and develop future KM research that has impact.

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)0,008
score de la tête « metaresearch » (Gemma)0,057
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesMétarecherche, Bibliométrie
Catégories consensuellesaucune
DomaineSignal candidat: Évaluation · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: Observationnel
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,992
Score d'incertitude au seuil0,040

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0080,057
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0010,000
Bibliométrie0,0380,053
Études des sciences et des technologies0,0010,001
Communication savante0,0040,003
Science ouverte0,0010,002
Intégrité de la recherche0,0010,000
Charge utile insuffisante (le modèle a refusé de juger)0,0090,004

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 Opus0,071
Tête enseignante GPT0,309
Écart entre enseignants0,238 · 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.

Devis d'étudeObservationnel
DomaineÉvaluation
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

Citations16
Publié2017
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueJournal of Knowledge ManagementMême sujetIntellectual Capital and Performance AnalysisTravaux en français237 207