From the Classroom to Journal Publication: A Guide to Publishing Accounting Instructional Pedagogical Resources
Notice bibliographique
Résumé
ABSTRACT Calls for increased rigor in accounting education persist, but it is unclear if the field has progressed. Assessing peer-reviewed accounting instructional pedagogical resources (i.e., instructional resources and cases) is crucial to fostering more rigorous contributions. To understand how academics can make such contributions, we analyzed instructional resources and cases with thematic analysis and machine learning methods. Predominant technical competencies were auditing, information technology, and financial accounting, whereas the most prevalent themes were data analytics in managerial accounting, profit and cost analysis of organizations, financial statements, and analytics and the auditor’s role. Underrepresented areas include financial accounting and reporting subtopics (e.g., nonprofit, derivatives, hedging instruments), technology subtopics (e.g., privacy-enhancing computation, cloud-native platforms, decision intelligence, generative AI), and areas of societal importance (e.g., imperialism, queering, equity, indigeneity). Encouraging academics to publish instructional pedagogical resources on these subjects could lead to innovative articles and address the need for increased rigor in accounting education. Data Availability: Data are available from the public sources cited in the text. JEL Classifications: G31; G32; G33; M21.
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 | 0,030 | 0,113 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,002 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,022 | 0,018 |
| Études des sciences et des technologies | 0,005 | 0,003 |
| Communication savante | 0,014 | 0,015 |
| Science ouverte | 0,003 | 0,006 |
| Intégrité de la recherche | 0,003 | 0,004 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,092 | 0,092 |
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 ».