MétaCan
Menu
Retour à la cohorte
Enregistrement W2752877305 · doi:10.5937/ekopre1704294s

A survey of the use and purpose of spreadsheetsin SMEs in Serbia

2017· article· en· W2752877305 sur OpenAlexaboutno aff
Marton Sakal, Lazar Raković, Vuk Vuković

Notice bibliographique

RevueEkonomika preduzeca · 2017
Typearticle
Langueen
DomaineBusiness, Management and Accounting
ThématiqueBig Data and Business Intelligence
Établissements canadiensnon disponible
Organismes subventionnairesnon disponible
Mots-clésFlexibility (engineering)Quarter (Canadian coin)Task (project management)Work (physics)SerbianComputer scienceMarketingBusinessManagementEngineeringStatisticsMathematicsGeography

Résumé

récupéré en direct d'OpenAlex

Due to their unique simplicity and flexibility, spreadsheets are nowadays used for various purposes, from financial calculations, planning and data aggregation, to decision making at different levels of management. Despite being created with the intention of being of temporary character, research shows that spreadsheets tend to provide support even in key business processes in organizations, often over longer periods of time. Starting from the related work mentioned in the paper, and prompted by issues to which articles dealing with spreadsheet errors especially drew attention, the objective of this research was to answer the following questions: Are spreadsheets used in SMEs and to what extent? How great is the significance of spreadsheets in respondents' regular activities? In which situations and for what purpose do respondents use spreadsheets in SMEs? The research encompassed 213 respondents from 147 Serbian SMEs. Among other things, research results have shown that more than 90% of respondents use spreadsheets to a certain extent, most frequently MS Excel. Almost three quarters of respondents regard spreadsheets as important for performing their work. More than two thirds of respondents have more than four years of spreadsheet experience, using them most frequently up to one quarter of their working hours, usually as an auxiliary tool, as follows: more than a quarter of respondents use spreadsheets when they cannot perform the task with the existing IS, and as many as 60% when they find it easier to perform their task with spreadsheets than using the existing official IS.

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)0,000
score de la tête « metaresearch » (Gemma)0,001
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 enseignants0,014
Score d'incertitude au seuil0,984

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0000,001
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0000,000
Communication savante0,0000,002
Science ouverte0,0010,001
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 Opus0,177
Tête enseignante GPT0,298
Écart entre enseignants0,121 · 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

Citations4
Publié2017
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueEkonomika preduzecaMême sujetBig Data and Business IntelligenceTravaux en français237 207