The baby and the bathwater: On the need for substantive–methodological synergy in organizational research
Notice bibliographique
Résumé
Murphy (2021) argues that the field of Industrial-Organizational (I/O) Psychology needs to pay more attention to descriptive statistics (“Table 1”; e.g., M, SD, reliability, correlations) when reporting and interpreting results. We agree that authors need to present a clear and transparent description of their data and that descriptive statistics and plots can be helpful in making sense of one’s data and analyses (Tay et al., 2016). Many journals already require this. Although this information can be presented in the manuscript, more details can be placed in online supplements where there are fewer space limitations (e.g., detailed presentation and discussion of descriptive statistics, missing data and outliers, plots and diagrams, conceptual issues, and computer syntax). However, we strongly disagree with the claim that “increasing complexity and diversity of data-analytic methods in organizational research has created several problems in our field” (p. 2). This claim suffers from two important oversights: (1) it neglects the crucial role of methodological fit, or the notion that theory, methods, and analyses need to be aligned, and (2) it neglects the fact that in I/O research, most constructs are not directly observable but need to be inferred indirectly though latent variable models. We expand on both issues, using xamples to illustrate that the complexity and diversity of data-analytic methods is not a threat but a blessing for I/O research (and beyond). Finally, we conclude by highlighting the need for substantive-methodological synergies to solve some of the issues raised by Murphy (2021).
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 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 | 0,000 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| 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) | 0,001 | 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».