Unpacking the process of conceptual leaping in the conduct of literature reviews
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
Literature reviews serve diverse purposes, including description, understanding, explanation, and testing. Traditionally – before online databases, full-text search availability, and AI-based search tools – identifying relevant sources might have been considered a valuable contribution. However, top-tier information systems (IS) journals now demand more than descriptive reviews; they require authors to move beyond summarizing existing knowledge toward proposing innovative research directions, important research questions, new concepts, and interesting linkages among concepts. Despite adhering to rigorous methodological guidelines, many authors struggle to make conceptual leaps, that is, to elevate their literature reviews beyond description, to achieve a profound understanding, to provide explanations, or to develop a model. Authors may mistakenly prioritize hard work – like thorough literature search, analysis, and organization – over hard thinking, which is crucial for advancing theoretical contributions. With this in mind, I adopt the view that the literature is indeed qualitative data. I suggest that approaches that help make conceptual leaps in qualitative research can benefit literature review authors searching for inconsistencies in the extant literature and developing new questions, concepts, and linkages. Drawing upon qualitative research (Klag, M., and Langley, A., 2013. Approaching the conceptual leap in qualitative research. International Journal of Management Reviews. 15 (2), 149–166.), I unpack the process of conceptual leaping in the conduct of literature reviews. This process involves navigating dialectic tensions between knowing and not knowing, engagement and detachment, deliberation and serendipity, and self-expression and social connection. Effectively managing these tensions can help authors increase the impact and innovativeness of their literature reviews.
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 | 0,005 | 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 | 0,002 |
| 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 | 0,000 |
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