MétaCan
Menu
Retour à la cohorte
Enregistrement W2605101156 · doi:10.1108/ijmpb-07-2016-0061

In the eye of the beholder

2017· article· en· W2605101156 sur OpenAlexaff
Pooria Niknazar, Mario Bourgault

Notice bibliographique

RevueInternational Journal of Managing Projects in Business · 2017
Typearticle
Langueen
DomaineDecision Sciences
ThématiqueConstruction Project Management and Performance
Établissements canadiensPolytechnique Montréal
Organismes subventionnairesnon disponible
Mots-clésCategorizationClassification schemeClassifier (UML)Computer scienceProcess (computing)Construct (python library)Context (archaeology)Artificial intelligenceManagement scienceData scienceEngineering

Résumé

récupéré en direct d'OpenAlex

Purpose Projects have high stakes in how they are categorized. The final place of a project within a classification scheme depends on the inclusion or exclusion of certain classification criteria. So far, many researchers and organizations have used a variety classification criteria to construct different project classification schemes. However, most of these classification criteria have been taken for granted and the process of selecting them to categorize projects still remains a black box. The purpose of this paper is to open the black box of classification process and explain how it is reflected in picking the classification criteria. Design/methodology/approach Drawing on insights from cognitive psychology’s literature, the authors examine the main views of classification process to provide insight into the unknown or implicit reasons that one might have to pick particular attributes as project classification criteria. Findings The authors argue that classification occurs in the eye of the beholder; it is not only the project’s features per se but also the classifier’s “goals, ideal and preference” or “knowledge of causal relations” that are reflected in the classification criteria. Research limitations/implications By elaborating the classification process, the authors brought the project context into the big picture of classification and provide a more rational, and coherent picture of how project classification works. This contributes to a theoretical blind spot, raised by prior researchers, related to the selection of project classification criteria. Practical implications Understanding classification processes will reduce the ambiguities, inconsistencies and multiple interpretations of project categories and help practitioners increase their projects’ visibility and legitimacy within an already established classification scheme. These implications help organizations in addressing some of the main obstacles to using categorization in project management practice. Originality/value The review of prior work in the category research literature and the insights from this paper will provide project management scholars with a useful toolbox for future research on project classification, which has long been understudied.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,004
score de la tête « metaresearch » (Gemma)0,002
Version: codex-gemma-dda1882f352aStatut 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 enseignants0,113
Score d'incertitude au seuil0,711

Scores Codex et Gemma par catégorie

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

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 Opus0,119
Tête enseignante GPT0,419
Écart entre enseignants0,299 · 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 tête enseignante, 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

Citations5
Publié2017
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueInternational Journal of Managing Projects in BusinessMême sujetConstruction Project Management and PerformanceTravaux en français237 207