A Systemic Mapping Study of Business Intelligence Maturity Models for Higher Education Institutions
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.
Notice bibliographique
Résumé
Higher education institutions (HEIs) are investing in business intelligence (BI) to meet the increasing demand for information stemming from their operations. Information technology (IT) managers in higher education may turn to BI maturity models to evaluate the current state of HEIs’ BI operation capabilities and evaluate the readiness for future improvements. However, generic BI maturity models do not have domain-specific attributes that ensure a high degree of compatibility with HEIs. This study’s objective is to survey maturity models that could be used in HEIs and identify those used for BI to perform an analysis of their qualities and identify future avenues for research into HEI-specific BI maturity models. A systemic mapping was undertaken via both a keyword and snowball search of five indexing services, 6037 articles were processed using inclusion and exclusion criteria resulting in the identification of forty-one academic works regarding maturity model uses which were mapped to ten categories. The mapping reveals an increasing number of publications featuring maturity models for HEI, particularly since 2018, focused on e-learning and ICT. A single instance of a BI maturity model for HEI emerged in 2022 within the European HEI context. The HE-BIA MM has more dimensions than most other models identified, yet only a single co-occurrence of dimensions was identified in name only. We conclude that BI maturity models for HEI are emerging as a field of research with future directions for research including exploring co-occurrence of dimensions with existing maturity models, performing case studies, and validation of HE-BIA MM outside the European HEI context.
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 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 | 0,000 | 0,000 |
| 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 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 découle