MétaCan
Menu
Retour à la cohorte
Enregistrement W3009374909 · doi:10.1108/itp-06-2019-0290

Key competencies for big data analytics professions: a multimethod study

2020· article· en· W3009374909 sur OpenAlex

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.

affAu moins un auteur déclare une institution canadienne dans l'instantané OpenAlex épinglé.

Notice bibliographique

RevueInformation Technology and People · 2020
Typearticle
Langueen
DomaineBusiness, Management and Accounting
ThématiqueBig Data and Business Intelligence
Établissements canadiensUniversity of Ottawa
Organismes subventionnairesnon disponible
Mots-clésOriginalityBig dataBusiness analyticsKnowledge managementAnalyticsPublic relationsPsychologyBusinessData scienceMarketingComputer sciencePolitical scienceBusiness model

Résumé

récupéré en direct d'OpenAlex

Purpose This study aims to identify the precise competencies that employers are seeking for big data analytics professions and whether higher education big data programs enable students to acquire the competencies. Design/methodology/approach This study utilizes a multimethod approach involving three data sources: online job postings, executive interviews and big data programs at universities and colleges. Text mining analysis guided by a holistic competency theoretical framework was used to derive insights into the required competencies. Findings We found that employers are seeking workers with strong functional and cognitive competencies in data analytics, computing and business combined with a range of social competencies and specific personality traits. The exact combination of competencies required varies with job levels and tasks. Executives clearly indicate that workers rarely possess the competencies and they have to provide additional training. Research limitations/implications A limitation is our inability to capture workers' perspectives to determine the extent to which they think they have the necessary competencies. Practical implications The findings can be used by higher educational institutions to design programs to better meet market demand. Job seekers can use it to focus on the types of competencies they need to advance their careers. Policymakers can use it to focus policies and investments to alleviate skills shortages. Industry and universities can use it to strengthen their collaborations. Social implications Much closer collaborations among public institutions, educational institutions, industry, and community organizations are needed to ensure training programs evolve with the evolving need for skills driven by dynamic technological changes. Originality/value This is the first study on this topic to adopt a multimethod approach incorporating the perspectives of the key stakeholders in the supply and demand of skilled workers. It is the first to employ text mining analysis guided by a holistic competency framework to derive unique insights.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,001
Version: codex-gemma-dda1882f352aStatut 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: aucune
Score de désaccord entre enseignants0,781
Score d'incertitude au seuil0,364

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0000,001
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,001
Études des sciences et des technologies0,0000,000
Communication savante0,0000,002
Science ouverte0,0010,001
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

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.

Tête enseignante Opus0,181
Tête enseignante GPT0,333
Écart entre enseignants0,152 · 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