MétaCan
Menu
Retour à la cohorte
Enregistrement W4410512072 · doi:10.33423/jabe.v27i3.7654

From Stereotypes to Understanding: How College Courses Can Shape Undergraduates’ Views on Franchising

2025· article· en· W4410512072 sur OpenAlexvenueno aff
Denise M. Cumberland, David Smith, Christos Kelepouris, L.M. Thomsen

Notice bibliographique

RevueJournal of Applied Business and Economics · 2025
Typearticle
Langueen
DomaineBusiness, Management and Accounting
ThématiqueFranchising Strategies and Performance
Établissements canadiensnon disponible
Organismes subventionnairesnon disponible
Mots-clésPsychologyMathematics educationSociology

Résumé

récupéré en direct d'OpenAlex

This study aims to assess changes in undergraduate students' perceptions of franchising after completing courses in franchising. The first objective is to examine whether significant differences exist between pre- and post-test results, measuring shifts in franchising perceptions stimulated by the curriculum. The second objective focuses on determining if a viable set of franchising perception constructs can be identified through exploratory factor analysis. This step is crucial for ensuring the constructs are reliable and valid, providing a solid foundation for further analysis. Lastly, using regression, are these constructs related to common franchise myths? Findings suggest a change in student franchise perceptions after completing an introductory course focused on the franchise business model. The data also reveals that there are specific constructs associated with franchise perceptions and that these constructs interrelate and influence student perceptions of common franchise myths. The findings of this study provide valuable insights into the effectiveness of franchise courses, inform curriculum development, and enhance our understanding of how perceptions of franchising are shaped through structured educational interventions.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,006
score de la tête « metaresearch » (Gemma)0,012
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,010
Score d'incertitude au seuil0,033

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0060,012
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0010,001
Études des sciences et des technologies0,0030,005
Communication savante0,0060,003
Science ouverte0,0010,003
Intégrité de la recherche0,0010,002
Charge utile insuffisante (le modèle a refusé de juger)0,0030,000

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.

Tête enseignante Opus0,033
Tête enseignante GPT0,224
Écart entre enseignants0,191 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeObservationnel
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations0
Publié2025
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueJournal of Applied Business and EconomicsMême sujetFranchising Strategies and PerformanceTravaux en français237 207