MétaCan
Menu
Retour à la cohorte
Enregistrement W3183882452

中国非政府组织的实践团体 (A Community of Practice for Chinese NGOs)

2020· article· zh· W3183882452 sur OpenAlexaff
Reza Hasmath, Jennifer Y.J. Hsu

Notice bibliographique

RevueSSRN Electronic Journal · 2020
Typearticle
Languezh
DomaineComputer Science
ThématiqueArtificial Intelligence Applications
Établissements canadiensUniversity of Alberta
Organismes subventionnairesnon disponible
Mots-clésCommunity of practiceOrder (exchange)Best practicePublic relationsResource (disambiguation)Knowledge sharingPolitical scienceSample (material)Knowledge managementBusinessSociologyLawComputer scienceSocial science
DOInon disponible

Résumé

récupéré en direct d'OpenAlex

The English version of this paper can be found at https://ssrn.com/abstract=2612686 Chinese Abstract: 实践团体是分享具体领域知识的重要资源。它是中国非政府组织互相学习合作的一个机制。根据100多个非政府组织的原始数据,本文考察了中国非政府组织培育一个成熟实践团体的组织能力。我们发现,如需实现这一目标,中国非政府组织必须克服固有的不利因素。另一方面,样本中的绝大多数非政府组织并不认为自身是专家团体的一份子,这对成立一个结构化、制度化的实践团体提出了巨大挑战。另一方面,为了在后慈善事业法制度下存续并发展壮大,中国非政府组织需要学习如何适应——即实施最佳做法并避免不良做法——从而实现存续。 English Abstract: A community of practice represents an important resource for the sharing of sector-specific knowledge. It is a mechanism for Chinese NGOs to learn from each other, and collaborate. Drawing upon original data elicited from over 100 NGOs, this article examines the organizational capacity for Chinese NGOs to cultivate a mature community of practice. We find that there are inherent headwinds that Chinese NGOs will have to navigate to accomplish this goal. On the one hand, the majority of NGOs in our sample do not see themselves as part of a community of experts, which presents a huge challenge for the possibility of a structured and institutionalized community of practice. On the other hand, in order to survive and prosper in the post-Charity Law regime, Chinese NGOs will have to learn how to adapt – implement best practices and avoid worst ones – to survive. This is best accomplished by developing a mature community of practice to share knowledge with each other.

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)0,006
score de la tête « metaresearch » (Gemma)0,007
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Qualitatif · Signal consensuel: Qualitatif
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,042
Score d'incertitude au seuil0,094

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0060,007
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0020,003
Études des sciences et des technologies0,0160,020
Communication savante0,0090,008
Science ouverte0,0010,008
Intégrité de la recherche0,0020,002
Charge utile insuffisante (le modèle a refusé de juger)0,0110,001

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 Opus0,042
Tête enseignante GPT0,347
Écart entre enseignants0,305 · 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'étudeQualitatif
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

Citations0
Publié2020
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueSSRN Electronic JournalMême sujetArtificial Intelligence ApplicationsTravaux en français237 207