MétaCan
Menu
Retour à la cohorte
Enregistrement W3093842393 · doi:10.4018/joeuc.2020100107

Business Analytics/Business Intelligence and IT Infrastructure

2020· article· en· W3093842393 sur OpenAlexfundno aff
Xiaofeng Chen, Keng Siau

Notice bibliographique

RevueJournal of Organizational and End User Computing · 2020
Typearticle
Langueen
DomaineBusiness, Management and Accounting
ThématiqueBig Data and Business Intelligence
Établissements canadiensnon disponible
Organismes subventionnairesUniversity of British ColumbiaTimes Higher EducationMissouri University of Science and TechnologyNational Center for Women and Information TechnologyUniversity of Nebraska-LincolnWestern Washington UniversityNational University of SingaporeNational Science Foundation
Mots-clésBusiness intelligenceFlexibility (engineering)Business analyticsKnowledge managementAnalyticsBusinessComputer scienceInformation technology managementBusiness activity monitoringProcess managementBusiness processBusiness modelInformation systemData scienceBusiness process modelingElectronic businessMarketingManagement information systemsManagementEngineering

Résumé

récupéré en direct d'OpenAlex

This is an empirical research investigating the impact of business analytics (BA) and business intelligence (BI) use, IT infrastructure flexibility, and their interactions on organizational agility. Synthesizing the systems theory and awareness-motivation-capability framework, the authors propose that BA-Use, IT infrastructure flexibility, and their interactions significantly influence organizational agility. The results show the significant association of BA use and IT infrastructure flexibility with organizational agility. The results also suggest that BA use may demand corporations to build a more flexible IT infrastructure. However, the data does not reveal the proposed interaction between the two drivers of organizational agility.

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)0,001
score de la tête « metaresearch » (Gemma)0,004
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Théorique ou conceptuel · Signal consensuel: Théorique ou conceptuel
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,008
Score d'incertitude au seuil0,028

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0010,004
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0020,004
Études des sciences et des technologies0,0010,002
Communication savante0,0040,004
Science ouverte0,0000,002
Intégrité de la recherche0,0010,001
Charge utile insuffisante (le modèle a refusé de juger)0,0080,001

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 Opus0,045
Tête enseignante GPT0,250
Écart entre enseignants0,204 · 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'étudeThéorique ou conceptuel
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

Citations61
Publié2020
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueJournal of Organizational and End User ComputingMême sujetBig Data and Business IntelligenceTravaux en français237 207