Thank You to Our Reviewers
Notice bibliographique
Résumé
Previous articleNext article FreeThank You to Our ReviewersPDFPDF PLUSFull Text Add to favoritesDownload CitationTrack CitationsPermissionsReprints Share onFacebookTwitterLinked InRedditEmailQR Code SectionsMoreThe editors wish to thank the following reviewers who gave so generously of their time to assist in the publication of this issue of the Journal of the Association for Consumer Research.Jennifer Argo, University of AlbertaHaipeng (Allan) Chen, University of KentuckyUtpal Dholakia, Rice UniversityHeather Dretsch, North Carolina State UniversityChristoph Fuchs, Erasmus UniversityKelly Herd, University of ConnecticutSteve Hoeffler, Vanderbilt UniversityDonna Hoffman, George Washington UniversityLaura Kornish, University of ColoradoCait Lamberton, University of PittsburghDonald Lichtenstein, University of ColoradoRavi Mehta, University of IllinoisMartin Mende, Florida State UniversityThomas Novak, George Washington UniversityBernd Schmitt, Columbia UniversityChristophe van den Bulte, University of PennsylvaniaMonica Wadhwa, INSEADKatherine White, University of British ColumbiaManjit Yadav, Texas A&M UniversityMin Zhao, University of Toronto Previous articleNext article DetailsFiguresReferencesCited by Journal of the Association for Consumer Research Volume 4, Number 3July 2019Consumer Response to Big InnovationsGuest Editors: Page Moreau and Stacy Wood Sponsored by the Association for Consumer Research Article DOIhttps://doi.org/10.1086/703698 © 2019 the Association for Consumer Research. All rights reserved.PDF download Crossref reports no articles citing this article.
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 | 0,005 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,001 |
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.
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 ».