MétaCan
Menu
Retour à la cohorte
Enregistrement W7000070681

Effect of Linguistic Differences and Formal Training on Scholarly Productivity

2020· article· en· W7000070681 sur OpenAlexaboutno aff

Notice bibliographique

RevueJournals & Books Hosting (International Knowledge Sharing Platform) · 2020
Typearticle
Langueen
DomaineArts and Humanities
ThématiqueLinguistics, Language Diversity, and Identity
Établissements canadiensnon disponible
Organismes subventionnairesnon disponible
Mots-clésEnthusiasmProductivityProduct (mathematics)Training (meteorology)Formal educationHigher educationSignificant difference
DOInon disponible

Résumé

récupéré en direct d'OpenAlex

The objective of this study was to find out the effect of linguistic differences and formal training on scholarly productivity among lecturers in Administrative Sciences. Data were obtained from 176 faculty members in Administrative Sciences drawn from 11 universities in Quebec Canada. Also, personal interviews were held with the deans and directors of research in seven of the eleven universities. The result of our findings showed statistically significant difference in total book production between those with working knowledge in both French and English. And those with working ability in only French or English. There was no significant difference in total article production between those with working ability in both French and English and those with working knowledge in only French or English. There was no significant relationship between the extent to which research is encouraged in the faculty in which the faculty members had their graduate training and scholarly productivity. Based on these findings, it was concluded that linguistic ability affects scholarly productivity. Also, commitment to scholarly activity cannot be enforced. It must come as a product of the enthusiasm that a faculty member feels toward his or her job. The implications for this study along with some directions for further study are addressed. Keywords: linguistic ability, formal training, scholarly productivity. DOI: 10.7176/EJBM/12-23-12 Publication date: August 31 st 2020

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,001
score de la tête « metaresearch » (Gemma)0,020
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesMétarecherche
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Qualitatif · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,600
Score d'incertitude au seuil0,988

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0010,020
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0000,000
Communication savante0,0010,001
Science ouverte0,0000,000
Intégrité de la recherche0,0000,001
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

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 Opus0,103
Tête enseignante GPT0,298
Écart entre enseignants0,194 · 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 tête enseignante, pas un consensus.

Devis d'étudeQualitatif
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
Publié2020
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueJournals & Books Hosting (International Knowledge Sharing Platform)Même sujetLinguistics, Language Diversity, and IdentityTravaux en français237 207