Gathering and evaluating innovation ideas using crowdsourcing: Impact of the idea title and the description on the number of votes in each phase of a two‐phase crowdsourcing project
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
Abstract Organizations are using crowdsourcing to capture innovation knowledge from the crowd in the form of ideas and then using the crowd to evaluate those ideas using votes. In this paper, we investigate a crowdsourcing setting in which Canada solicited information from its citizens to develop a digital transformation strategy. Canada used a two‐phase approach. Phase 1 was used to determine which ideas had the largest number of crowd votes, whereas in Phase 2, the crowd voted on the 30 leading vote‐getting ideas to determine the three winning ideas. This research investigates the ability to use information from ideas to estimate the number of votes that the ideas generate. This approach could be used to estimate the number of ideas, before making information available to the crowd. The unstructured text information in the idea is structured by using target concept dictionaries, which are used to estimate the extent to which the dictionary words appear in the ideas (e.g., “globalism”) and are related to the number of votes. Using this approach, roughly 1% of the total words are used to explain roughly 60% of the variance in the votes. Further, we also find that the variables associated with Phase 1 votes are not the same variables associated with Phase 2 votes; that is, the decision‐making variables changed. Finally, we find that votes are statistically significantly related to the content in the idea titles and the idea statements.
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 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| 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 | 0,000 |
| 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