SDGs: A Responsible Research Assessment Tool toward Impactful Business Research
Notice bibliographique
Résumé
An alternative research assessment (RA) tool was constructed to assess the relatedness of published business school research to the United Nations’ 17 Sustainable Development Goals (SDGs). The RA tool was created using Leximancer™, an on-line cloud-based text analytic software tool, that identified core themes within the SDG framework. Eight (8) core themes were found to define the ‘spirit of the SDGs’: Sustainable Development, Governance, Vulnerable Populations, Water, Gross Domestic Product (GDP), Food Security, Restoration, and Public Health. These themes were compared to the core themes found in the content of 4576 academic articles published in 2019 in journals that comprise the Financial Times (FT) 50 list. The articles’ relatedness to the SDG themes were assessed. Overall, 10.6% of the themes found in the FT50 journal articles had an explicit relationship to the SDG themes while 24.5% were implied. Themes generated from machine learning (ML), augmented by researcher judgement (to account for synonyms, similar concepts, and discipline specific examples), improved the robustness of the relationships found between the SDG framework and the published articles. Although there are compelling reasons for business schools to focus research on advancing the SDGs, this study and others highlight that there is much opportunity for improvement. Recommendations are made to better align academic research with the SDGs, influencing how business school faculty and their schools prioritize research and its role in the world.
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 enseignantsNi 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.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,333 | 0,516 |
| Méta-épidémiologie (sens strict) | 0,003 | 0,002 |
| Méta-épidémiologie (sens large) | 0,003 | 0,005 |
| Bibliométrie | 0,064 | 0,038 |
| Études des sciences et des technologies | 0,004 | 0,005 |
| Communication savante | 0,019 | 0,020 |
| Science ouverte | 0,004 | 0,019 |
| Intégrité de la recherche | 0,003 | 0,005 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,014 | 0,006 |
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; l’étiquette directe de Gemma et le classifieur distillé Codex s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».