Notice bibliographique
Résumé
Abstract At the heart of any healthy field are explicit theories and concerted efforts to test these theories. In the traditional “textbook” conceptualization of science, the main avenue for developing and testing theory is experimental research, a tool that enables investigators to filter out the noise in order to draw logically valid inferences and conclusions. The objective of this paper is to begin a probe into the use of experimental research in knowledge management (KM). After sketching an image of the nature of experimental research and its advantages, the paper details the results of an analysis of experimental research in the KM literature. The top 20 KM journals were searched in Scopus and Web of Science for any mention of the term “experiment.” In total, 43 papers were identified based on their use of experimental methods and human participants. These studies were coded for purpose, research questions, hypotheses, operationalization of variables, sample parameters, and statistical analysis methods. There appeared to be little evidence for a dedicated and sustained use of experimental research methods. Virtually all studies relied heavily on self‐report questionnaires as the main data collection tool rather than direct behavioral measures. Potential implications are that KM journals may want to elicit and encourage more experimental research, and researchers interested in using experimental methods may want to forge multidisciplinary partnerships, for instance, with experimental psychologists. The implication for KM methodological pedagogy is to further promote and integrate experimental methods.
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 | 0,154 | 0,297 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,002 | 0,002 |
| Bibliométrie | 0,004 | 0,006 |
| Études des sciences et des technologies | 0,003 | 0,016 |
| Communication savante | 0,007 | 0,008 |
| Science ouverte | 0,003 | 0,005 |
| Intégrité de la recherche | 0,003 | 0,004 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,016 | 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 source (Gemma direct ou Codex distillé), 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 ».