A Machine‐Learning Approach to Understanding Performance of Canadian Nonprofit Sport Organizations
Notice bibliographique
Résumé
ABSTRACT Previous approaches to model the performance of nonprofit organizations and their determinants largely rely on linearity and monotonicity assumptions. This research note makes a methodological contribution by jointly using descriptive and predictive models, particularly advanced machine‐learning algorithms that allow for the consideration of non‐linear or non‐monotonic relationships, to understand the relevance of factors associated with the performance of nonprofit sport clubs as well as the nature of relationships. Data were collected via an online survey with 126 representatives of Canadian sport clubs, in which four performance domains were considered: Member relationship, service quality, financial stability, and sporting success. Explanatory linear regressions and four machine‐learning models (i.e., ridge regression, bagged regression, random forest, and gradient boosting machine) are used. The results reveal that machine‐learning models increase the explanatory power compared to linear models. The random forest outperforms the other models in terms of root mean squared error and, partly, mean absolute error, and R square (even though absolute levels of R square are low at times, particularly for financial stability and sporting success, where the presence or absence of a high‐volume donor or high‐performance sports mission might help or hinder performance). Non‐linear relationships are found for several predictors across the four dimensions that were considered, such as the use of outside knowledge, trust, coopetition, age, and tenure of the club representative. We showcase the use of joint computational techniques in nonprofit research to serve two relevant goals: enhance the explanatory power and maintain the interpretability of predictive models.
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 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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, 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 ».