MétaCan
Menu
Retour à la cohorte
Enregistrement W2754494643 · doi:10.1002/sres.2489

Developmental Progress in Conducting Action Research

2017· article· en· W2754494643 sur OpenAlexafffund
Shankar Sankaran, Wendy Rowe, Phil Cady

Notice bibliographique

RevueSystems Research and Behavioral Science · 2017
Typearticle
Langueen
DomaineComputer Science
ThématiqueSoftware Engineering Techniques and Practices
Établissements canadiensRoyal Roads University
Organismes subventionnairesNorth-West UniversityUniversity of Technology SydneyUniversity of PretoriaRoyal Roads University
Mots-clésCapability Maturity ModelMaturity (psychological)Action researchVariety (cybernetics)EmpowermentAction (physics)Process managementProcess (computing)Knowledge managementComputer scienceEngineeringPsychologyPolitical scienceSoftware

Résumé

récupéré en direct d'OpenAlex

Action research is widely acknowledged as an effective framework of empowerment and emancipation to improve a social situation or condition—an intent that appeals to leaders wishing to create improvement, particularly in low socioeconomic and disadvantaged communities. Validity of such espousals has been substantially unexplored, and where evaluations have occurred, they have been focused more on process than impact. A group of international researchers were engaged in an evaluative study of more than 100 action research initiatives, using a variety of methods, tools and conceptual frameworks. The maturity model for action research is one of the conceptual frameworks adopted in this Evaluative Study of Action Research. Maturity models have their origins in the capability maturity model developed to address the poor performance of software projects delivered to the US Department of Defence in the 1980s. The purpose of the capability maturity model was to help contractors increase capability to improve their software engineering processes from an ad hoc state to a more formal and repeatable state and, eventually, to optimize the processes to deliver consistent outcomes. Maturity models have now found their way into many other organizational contexts, such as project management, knowledge management, process management and research capability. However, the term ‘maturity model’ is usually associated with business jargon and quantitative research. Therefore, the authors of this article felt the concept could be made more palatable to action researchers by rephrasing it as ‘maturity profile’ to improve the ways in which they manage their projects to deliver sustainable outcomes. This resulted in the development of the maturity profile described in this article. Copyright © 2017 John Wiley & Sons, Ltd.

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)0,389
score de la tête « metaresearch » (Gemma)0,370
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesMétarecherche
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Qualitatif · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: aucune
Score de désaccord entre enseignants0,389
Score d'incertitude au seuil0,753

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,3890,370
Méta-épidémiologie (sens strict)0,0020,002
Méta-épidémiologie (sens large)0,0020,002
Bibliométrie0,0060,005
Études des sciences et des technologies0,0100,044
Communication savante0,0300,035
Science ouverte0,0080,029
Intégrité de la recherche0,0100,019
Charge utile insuffisante (le modèle a refusé de juger)0,0190,010

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 Opus0,641
Tête enseignante GPT0,576
Écart entre enseignants0,065 · 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'étudeQualitatif
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

Citations6
Publié2017
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revueSystems Research and Behavioral ScienceMême sujetSoftware Engineering Techniques and PracticesTravaux en français237 207