Gaining Perspective of an Industry’s Readiness for Regulatory Change: A Case Study From the Aviation Industry
Notice bibliographique
Résumé
A change in regulatory policy regularly affects more than one organization and may involve an entire industry comprised of thousands of diverse organizations. These types of regulatory changes often encounter significant resistance from industry stakeholders as they often view new regulation with a certain level of skepticism, contributing to policy gridlock. A significant factor in whether any change initiative fails or succeeds is the organization’s readiness for change. However, a preponderance of the organizational change research to date has focused on individuals, targeted small groups, or single organizations – little has focused on regulatory policy changes that may affect a very large and diverse industry group. By better understanding an industry’s readiness for change, regulators may more effectively identify and understand the potential opposing forces, develop strategies to overcome these forces, and therefore may create a change vector. Recently, the Federal Aviation Administration proposed a major regulatory change affecting the United States’ aviation repair station industry. This heavily debated regulation would require industry organizations to develop a formal Safety Management Systems. Thus far the regulation has met stiff industry resistance. This research attempted to gain perspective of the industry’s readiness for change and found their overall readiness level was low. Although this research was limited in scope and intended as an initial exploration of change readiness concepts across a large industry faced with a proposed major public policy shift, the results suggest readiness for change assessments may assist public agencies with managing major regulatory change.
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 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 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, 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 ».