Millennials: who are they, how are they different, and why should we care?
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
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.
Prédiction distillée sur la base complète
Imitation des enseignantsNi 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.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,002 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,007 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,002 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
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.
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 découle