MétaCan
Menu
Retour à la cohorte
Enregistrement W2784259640 · doi:10.1177/0961463x17752652

Iterative lagged asymmetric responses in strategic management and long-range planning

2018· article· en· W2784259640 sur OpenAlexafffund
Dragos Simandan

Notice bibliographique

RevueTime & Society · 2018
Typearticle
Langueen
DomaineDecision Sciences
ThématiqueComplex Systems and Decision Making
Établissements canadiensBrock University
Organismes subventionnairesSocial Sciences and Humanities Research Council of Canada
Mots-clésSurpriseEconomicsTemporalityComputer scienceMicroeconomicsOperations researchEpistemologyPsychologyMathematicsSocial psychology

Résumé

récupéré en direct d'OpenAlex

Actors in competitive environments are bound to decide and act under conditions of uncertainty because they rarely have accurate foreknowledge of how their opponents will respond and when they will respond. Just as a competitor makes a move to improve their standing on a given variable relative to a target competitor, she should expect the latter to counteract with an iterative lagged asymmetric response, that is, with a sequence of countermoves ( iteration) that is very different in kind from its trigger ( asymmetry) and that will be launched at some unknown point in the future ( time lag). The paper explicates the broad relevance of the newly proposed concept of “iterative lagged asymmetric responses” to the social study of temporality and to fields as diverse as intelligence and counterintelligence studies, strategic management, futures studies, military theory, and long-range planning. By bringing out in the foreground and substantiating the observation that competitive environments place a strategic premium on surprise, the concept of iterative lagged asymmetric responses makes a contribution to the never-ending and many-pronged debate about the extent to which the future can be predicted.

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)0,007
score de la tête « metaresearch » (Gemma)0,017
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Théorique ou conceptuel · Signal consensuel: Théorique ou conceptuel
GenreSignal candidat: Empirique · Signal consensuel: aucune
Score de désaccord entre enseignants0,007
Score d'incertitude au seuil0,036

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0070,017
Méta-épidémiologie (sens strict)0,0010,000
Méta-épidémiologie (sens large)0,0000,001
Bibliométrie0,0010,001
Études des sciences et des technologies0,0010,012
Communication savante0,0050,008
Science ouverte0,0010,004
Intégrité de la recherche0,0020,002
Charge utile insuffisante (le modèle a refusé de juger)0,0040,000

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 Opus0,170
Tête enseignante GPT0,405
Écart entre enseignants0,235 · 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'étudeThéorique ou conceptuel
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

Citations24
Publié2018
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revueTime & SocietyMême sujetComplex Systems and Decision MakingTravaux en français237 207