Are meta-analytic estimates of team performance relationships robust? Exploring the impact of publication bias and outliers
Notice bibliographique
Résumé
Purpose This study aims to explore whether meta-analytic estimates of relations between team performance and several team-level variables may be distorted by the influence of publication bias and outliers. The concern is that such distortion may negatively impact primary research and practitioner perceptions of associated relations. Design/methodology/approach Seven existing meta-analyses, comprising nine meta-analytic estimates, were examined using current techniques to assess the degree to which publication bias and outliers may have impacted these estimates. The adjusted estimates were used to index the robustness of the original meta-analytic estimates. Findings Results indicated that eight of nine meta-analytic estimates may not be robust, requiring that they be adjusted by at least 20% of their original value. Research limitations/implications For researchers, the authors describe how these adjusted estimates, and the general pattern of their results, might be considered in the design of future primary studies on team performance and inform practices for conducting meta-analyses in team research. Practical implications For practitioners, this paper provides advice on how to evaluate whether publication bias has been adequately examined in a meta-analysis and suggests how an estimate might be adjusted if this is not the case. Originality/value This study contributes to an emerging movement analyzing the robustness of meta-analytic estimates in the organizational sciences by focusing on the robustness of meta-analytic estimates of the relations between team performance and several team-level predictors.
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 | 0,461 | 0,795 |
| Méta-épidémiologie (sens strict) | 0,003 | 0,003 |
| Méta-épidémiologie (sens large) | 0,009 | 0,024 |
| Bibliométrie | 0,012 | 0,014 |
| Études des sciences et des technologies | 0,002 | 0,005 |
| Communication savante | 0,012 | 0,008 |
| Science ouverte | 0,007 | 0,006 |
| Intégrité de la recherche | 0,004 | 0,005 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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; l’étiquette directe de Gemma et le classifieur distillé Codex s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».