MétaCan
Menu
Retour à la cohorte
Enregistrement W4246145180 · doi:10.4018/978-1-5225-8054-6.ch081

When Competitive Intelligence Meets Geospatial Intelligence

2019· book-chapter· en· W4246145180 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

RevueIGI Global eBooks · 2019
Typebook-chapter
Langueen
DomaineBusiness, Management and Accounting
ThématiqueCompetitive and Knowledge Intelligence
Établissements canadiensUniversité de Sherbrooke
Organismes subventionnairesnon disponible
Mots-clésGeospatial analysisCompetitive intelligenceBusiness intelligenceLeverage (statistics)Knowledge managementCompetitive advantageData scienceComputer scienceKey (lock)BusinessGeographyArtificial intelligenceMarketingCartographyComputer security

Résumé

récupéré en direct d'OpenAlex

Given current economic uncertainties, organizations need to efficiently generate new knowledge and incorporate it into their products and services. In this regard, competitive intelligence provides such strategic knowledge to support the creation of competitive advantages. Part of the knowledge created by competitive intelligence concerns the geographical components forming the basis of geospatial analysis. This study sought to identify, among some 40 competitive analytical methods, those that may be enhanced by geospatial intelligence capabilities. To this end, the authors identified the key subject area of each competitive analytical method and the key spatial analysis operations with geospatial intelligence capability, and then they identified those with a strong potential for providing more strategic knowledge when used in combination. They provide various case scenarios to support their propositions. The results demonstrate that geospatial intelligence may leverage competitive intelligence by more efficiently highlighting business opportunities.

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)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesMéta-épidémiologie (sens strict), Charge utile insuffisante (le modèle a refusé de juger)
Catégories consensuellesCharge utile insuffisante (le modèle a refusé de juger)
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Théorique ou conceptuel · Signal consensuel: Théorique ou conceptuel
GenreSignal candidat: Autre · Signal consensuel: aucune
Score de désaccord entre enseignants0,595
Score d'incertitude au seuil0,999

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0000,000
Méta-épidémiologie (sens strict)0,0010,001
Méta-épidémiologie (sens large)0,0010,001
Bibliométrie0,0000,000
Études des sciences et des technologies0,0000,000
Communication savante0,0010,000
Science ouverte0,0020,001
Intégrité de la recherche0,0010,001
Charge utile insuffisante (le modèle a refusé de juger)0,0030,030

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 Opus0,026
Tête enseignante GPT0,246
Écart entre enseignants0,220 · 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