What Are We Talking About? Natural Language Processing in Organisations
Notice bibliographique
Résumé
This symposium brings together experts in natural language processing to demonstrate state-of-the-art applications of for analysing text within organisations. Recent innovations are used to understand fundamental topics for managers of the future - teamwork, leadership communication, institutional change, cultural diffusion, and diversity. The presenters will show how a modern toolkit for text analysis can provide innovative solutions to some of the most important problems in our field. A Flexible Python-Based Toolkit for Analyzing Team Communication Author: Xinlan Emily Hu; Wharton How Leaders Build Trust in High-Stakes Communications. Author: Michael Yeomans; Imperial College Business School Author: Evita Huai-ching Liu; Bocconi U. From the Boardroom to the Bedroom: The Expansion and Abstraction of Management as a Cultural Logic Author: Ziwen Chen; Stanford Graduate School of Business Author: Douglas Guilbeault; U. of Pennsylvania Author: Amir Goldberg; Stanford U. Racial Polarization of Who Sponsors Civil Rights Legislation in the United States Author: Joshua Jackson; Northwestern Kellogg School of Management Author: Nour Kteily; Northwestern Kellogg School of Management Intersectional Gender, Race, and Class Stereotyping: Tests in Contemporary and Historical Naturalist Author: Tessa Charlesworth; Northwestern Kellogg School of Management Author: Mazarin Banaji; Harvard U. Author: Aylin Caliskan; U. of Washington Author: Kshitish Ghate; Carnegie Mellon U. Author: Gandalf Nicolas; Rutgers U., New Brunswick
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 | 0,009 | 0,028 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,005 | 0,005 |
| Études des sciences et des technologies | 0,004 | 0,007 |
| Communication savante | 0,014 | 0,023 |
| Science ouverte | 0,001 | 0,003 |
| Intégrité de la recherche | 0,003 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,005 | 0,002 |
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 ».