“What Have I Learned … ” and How Did I Get There? Reflection on a Research Journey
Notice bibliographique
Résumé
Receiving a lifetime award allows one to pause and reflect on one’s research journey. In the spirit of Earle Zeigler himself, I reflect on: “What I have learned … ” on my research journey, and more specifically on how I got there. My research has always focused on the interaction between sport, economics, and society and evolved: “From socio-economic impacts on sport participation to socio-economic outcomes of sport events.” To cover 40 years of research, I am highlighting how: (a) “triggers,” (b) “influencers,” and (c) “lessons learned” intermingled to push my research agenda forward. This reflection proved to be a very gratifying exercise. I can highly recommend it to all researchers. Perhaps, this can become a stepping stone to be promoted to the rank of Prof. Emeritus or Emerita. Either way, sharing our experiences may trigger, inspire, and advance the learning of future generations of sport management scholars.
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 | 0,041 | 0,087 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,002 | 0,002 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,023 | 0,030 |
| Communication savante | 0,038 | 0,043 |
| Science ouverte | 0,005 | 0,023 |
| Intégrité de la recherche | 0,012 | 0,039 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,012 | 0,011 |
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 ».