Mapping in Intellectual Capital Measurement in Creative Industries in East Java
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
In the context of global competition, competition not only occurs in the world of industry and trade, but also applies to creative businesses or more specifically creative industries which are industries that come from the utilization of individual skills, creativity and talent in creating welfare and employment use. Problems in managing SMEs and creative industries that have not been resolved are intellectual capital issues.One approach used in the assessment and measurement of knowledge assets (intellectual property / assets) is Intellectual Capital which consists of 3 main elements, namely Human Capital, Structural Capital, and Relational Capital. Creative industries are industries that are unique and emphasize creativity, innovation and utilization of individual talents need to get maximum management. The purpose of this study is to find a model, the appropriate components of intellectual capital, and to get a real picture of the rules of Human Capital; Structural Capital and Relational Capital for creative industries in East Java. The sample in this study is the owner / manager / leader of 5 creative industry sub-sectors in 9 cities in East Java (Surabaya, Pasuruan, Probolinggo, Mojokerto, Batu, Malang, Kediri, Blitar, and Madiun) with a sample of 45 as respondents. The analysis technique used in this study is the Spider Plot Diagram.Based on the results of the survey and studies, the aspect of mapping of intellectual capital in 5 (five) creative industry sub-sectors in East Java shows that relational capital is more dominant followed by human capital, and the lowest is structural capital.
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 | 0,003 | 0,006 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,004 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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