Peer Effects and Social Networks in an MBA Program
Notice bibliographique
Résumé
In this dissertation, I explore peer effects and social networks among MBA students in a Canadian business school. The unique feature of the data collected for this research is that the students are administratively assigned to small groups, providing plausibly exogenous variation that allows me to identify causal peer effects. Chapter 1, “Peer Effects in an MBA class”, establishes the existence and magnitude of the effects of peer characteristics on academic outcomes of MBA students. It shows that peer effects are heterogeneous across courses and student characteristics. Chapter 2, “Testing team allocation rules”, uses these results to find the allocations of students across peers that produce the highest grades for the Managerial Finance course. I find that separating students by their admission GPA (a proxy for academic ability) may result in the best grades in Managerial Finance class. I discuss the role of the business school and posit that academic achievement may not be the only outcome that is important for business school graduates. Finally, in Chapter 3, “Comparison of the Two Methods of Social Network Data Collection”, I compare two methods of social network data collection: a recollection and a recognition method. First, I present descriptive results of the data collected by these two methods. Then I use the approach described in Comola and Fafchamps (2017) to estimate the true proportion of links by using the information from the discordant answers. I conclude by commenting on the appropriate uses of the two methods of social network data collection.
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 | 0,002 | 0,010 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,005 | 0,002 |
| Communication savante | 0,003 | 0,002 |
| Science ouverte | 0,001 | 0,003 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,009 | 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 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 ».