MétaCan
Menu
Retour à la cohorte
Enregistrement W2767320254 · doi:10.17705/1cais.04118

The World IT Project: History, Trials, Tribulations, Lessons, and Recommendations

2017· article· en· W2767320254 sur OpenAlexaff
Prashant Palvia, Tim Jacks, Jaideep Ghosh, Paul S. Licker, Alexander Serenko

Notice bibliographique

RevueCommunications of the Association for Information Systems · 2017
Typearticle
Langueen
DomaineBusiness, Management and Accounting
ThématiqueBig Data and Business Intelligence
Établissements canadiensLakehead University
Organismes subventionnairesnon disponible
Mots-clésContext (archaeology)PoliticsPolitical scienceCorporate governancePublic relationsScale (ratio)SociologyManagementHistoryGeographyLawEconomics

Résumé

récupéré en direct d'OpenAlex

We conceived The World IT Project, the largest study of its kind in the IS field, more than a decade ago. This ambitious mega project with an enormous global scale was formally launched in 2013 and is expected to finish by 2017. Major publications on the project should appear through 2019. The project responded to the pervasive bias in IS research towards American and Western views. What IS research glaringly lacks is a global view that tries to understand the major IS issues in the world in the context of unique cultural, economic, political, religious, and societal environments. The World IT Project captures the organizational, technological, and individual issues of IT employees across the world and relates them to cultural and organizational factors. This first major paper provides the project’s objectives and history, its general framework, governance, important decision points, and recommendations for future researchers based on lessons learned. Ultimately, we hope to provide a world view of IT issues that will be relevant to stakeholders at the firm, national, and international levels. We also invite scholars to send their recommendations for analyzing and writing papers using our vast database.

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)0,184
score de la tête « metaresearch » (Gemma)0,306
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
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 enseignants0,184
Score d'incertitude au seuil0,973

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,1840,306
Méta-épidémiologie (sens strict)0,0010,001
Méta-épidémiologie (sens large)0,0020,001
Bibliométrie0,0070,014
Études des sciences et des technologies0,0080,013
Communication savante0,0270,026
Science ouverte0,0060,011
Intégrité de la recherche0,0070,013
Charge utile insuffisante (le modèle a refusé de juger)0,0190,005

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 Opus0,264
Tête enseignante GPT0,394
Écart entre enseignants0,130 · 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.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
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

Citations30
Publié2017
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueCommunications of the Association for Information SystemsMême sujetBig Data and Business IntelligenceTravaux en français237 207