Kierunki rozwoju badań nad koncepcją Lean management (Lean Higher Education) w szkołach wyższych
Notice bibliographique
Résumé
Od ponad 30 lat Lean Higher Education (LHE) jest wykorzystywany do doskonalenia zarządzania uczelniami (Maciąg 2016). Jak pokazują badania LHE wpływa na podniesienie jakości usług, redukcję marnotrawstwa, lepsze wykorzystanie zasobów, poprawę komunikacji, wzrost poczucia odpowiedzialności, zmniejszenie ryzyka, wzrost transparentność procesów i systemów zarządzania, poprawę satysfakcji pracowników i bezpieczeństwa pracy (Radnor, Bucci 2011; Balzer, 2010; Emiliani, 2015; Antony, 2014; Hines, Lethbridge, 2008; Balzer et al. 2016 Cudney et al. 2020, Maciąg et al. 2021). Wskazuje się również na zmiany w obszarze kultury organizacyjnej i kultury pracy (Maciąg 2019, Maciąg et al 2022) oraz przywództwa (Balzer et al. 2015, Lu et al. 2017, Maciąg 2021, Maciąg 2022). Pomimo wzrastającej ilości publikacji, nadal istnieją istotne luki poznawcze, metodologiczne oraz aplikacyjne w badaniach nad LHE. Brakuje wiedzy o tym jak jeszcze lepiej i pełniej wykorzystać potencjał Lean management do realizacji misji i strategii uczelni, również w aspekcie zrównoważonego rozwoju, jak kształtować kulturę nieustannego doskonalenia w uczelni, i jak mierzyć zmiany? Celem opracowania jest wskazanie kluczowych kierunków i tematów badań nad wykorzystaniem Lean management do doskonalenia uczelni. W opracowaniu oparto się na wynikach analizy literatura przedmiotu oraz wynikach badań własnych autorki.
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) | 0,002 | 0,003 |
| Méta-épidémiologie (sens large) | 0,002 | 0,001 |
| Bibliométrie | 0,004 | 0,002 |
| Études des sciences et des technologies | 0,003 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,003 | 0,001 |
| Intégrité de la recherche | 0,002 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,003 |
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; les deux têtes enseignantes 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 ».