MétaCan
Menu
Retour à la cohorte
Enregistrement W2911441664

CURRENT MERGERS SCENARIO IN INDIAN BANKING SECTOR

2018· article· en· W2911441664 sur OpenAlexaboutno aff
Sadhana Prajapati

Notice bibliographique

RevueJournal of Commerce & Behavioural Science · 2018
Typearticle
Langueen
DomaineDecision Sciences
ThématiqueInnovations and Analysis in Business and Education
Établissements canadiensnon disponible
Organismes subventionnairesnon disponible
Mots-clésCompetition (biology)Quarter (Canadian coin)State (computer science)National bankBusinessFinancial systemBank rateChinese financial systemEconomicsFinanceCentral bankMonetary policyPolitical scienceGeographyMonetary economics
DOInon disponible

Résumé

récupéré en direct d'OpenAlex

This type of experiment is not the first time in the banking sector of India, many times before it has happened. For reforms in the Indian banking sector, merger was done in 1991 to create a three-level structure with 10 national banks in 1991, in which about 49 have been merged. With the State Bank of India five associate banks and Indian women bank can be called the biggest merger of 2017. Because keeping in mind the quick action and changing backing pattern, it is probably the decision of the State Bank of India. State Bank of India does not have any similarity with other commercial banks, but merger strengthens its strategy. State Bank of India is known as India's largest lender bank. In the month of April, the Indian women bank and five other banks were included in it. The result of this will be the result of what will happen in the future. In the coming quarter, it may be that the expected result is not seen, but the merger has always been a good result, and everyone is aware. The modern competition period, which has not only brought national status to the State but also the State Bank of India on the national level? With the help of merger, State Bank of India can achieve its place in the top 50 banks in the world.

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)0,002
score de la tête « metaresearch » (Gemma)0,003
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Sans objet · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,011
Score d'incertitude au seuil0,037

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0020,003
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0010,003
Études des sciences et des technologies0,0040,002
Communication savante0,0070,004
Science ouverte0,0010,002
Intégrité de la recherche0,0020,002
Charge utile insuffisante (le modèle a refusé de juger)0,0110,002

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 Opus0,177
Tête enseignante GPT0,436
Écart entre enseignants0,259 · 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'étudeSans objet
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

Citations0
Publié2018
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueJournal of Commerce & Behavioural ScienceMême sujetInnovations and Analysis in Business and EducationTravaux en français237 207