Millennials: who are they, how are they different, and why should we care?
Notice bibliographique
Résumé
Since the publication of Howe and Strauss’s (2000) Millennials Rising, interest in the millennial generation has become widespread, particularly among marketers and employers (Foot, 2001; Hoover, 2009). Companies are eager to tap into a new market that is composed of younger consumers (Nowak et al., 2006), while employers are keen to attract and retain the next generation of workers as the Baby Boomers exit the workforce in large numbers (Burke and Ng, 2006; Perry and Buckwalter, 2010). In the U.S., there are roughly 74.3 million Millennials, representing 23.6 percent of the population (U.S. Census Bureau, 2013). Likewise in Canada, there are 9.1 million Millennials, making up 27 percent of the Canadian population (Statistics Canada, 2011a). Although researchers have used different birth-year boundaries to define the Millennial generation (e.g., 1980–95 in Foot and Stoffman, 1998; 1982–99 in Howe and Strauss, 2000; after 1982 in Twenge, 2010), in reality the exact boundaries defining a generation are much less important than shared historical events and experiences accompanied by social changes (Lyons and Kuron, 2014; Parry and Urwin, 2011). Given the historical events that characterized their lives (e.g., post-Gen X, internet, turn of the century), authors have labeled them Gen Y, Gen Me, Net Gen, Nexus Generation, and Millennial Generation (Advertising Age, 1993; Barnard et al., 1998; Burke and Ng, 2006; Howe and Strauss, 2000; Twenge, 2006). For the purpose of this chapter, we will use the term “Millennial” to keep consistent with the literature.
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 enseignantsNi 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.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,009 | 0,027 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,010 | 0,013 |
| Communication savante | 0,010 | 0,021 |
| Science ouverte | 0,002 | 0,010 |
| Intégrité de la recherche | 0,005 | 0,017 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,010 | 0,003 |
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.
score_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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».