Early lessons from the International Study of Work-Family Experiences
Notice bibliographique
Résumé
The International Study of Work-Family Experiences (ISWAF) is a large-scale comparative cross-national study that was recently set up and is being launched in 35 countries across the globe. ISWAF aims at analyzing the impact of national context and in particular cultural values on individuals’ work-family conflict, enrichment, and balance, as well as on the management of boundaries between work and family roles. The panel aims at sharing the on-going experiences of scholars contributing to ISWAF, for the benefit of all those interested in cross-national work-family research and in the challenges of designing and coordinating large-scale comparative surveys. First, Barbara Beham will share early lessons learned from the setting up of ISWAF (survey design and collaborators’ network). Second, Ameeta Jaga and Artiawati Mawardi will analyze their experiences collecting data in South Africa and Indonesia, respectively. Third, Ariane Ollier-Malaterre will discuss how ISWAF is attempting to capture sub-cultures and within-country heterogeneity, in the Canadian context and beyond. Fourth, Suzan Lewis will explore how ISWAF could be used in tandem with qualitative approaches, or serve as a first step for emic in-depth studies. Last, Andreas Baierl will put forth ideas regarding data analysis strategies most likely to be relevant for the multi-level data being collected. \nDiscussants: \n•\tTammy Allen, University of South Florida \n•\tAriane Ollier-Malaterre, Université du Québec à Montréal (UQAM) - École des Sciences de la Gestion (ESG) \nPresenters: \n•\tBarbara Beham, Berlin School of Economics and Law; \n•\tAmeeta Jaga, University of Cape Town; \n•\tArtiawati, University of Surabaya; \n•\tSuzan Lewis, Middlesex University; \n•\tAndreas Baierl, University of Vienna; \n \n
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) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,002 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 ».