Network Capital in a Multi-Level World:
Notice bibliographique
Résumé
Multi-level analysis provides a new approach to studying the sources of network capital by integrating analyses of individuals, interpersonal ties and the personal networks in which they are embedded. Using this approach aids theory and substantive analysis. Toronto data show that while tie characteristics are key predictors of supportive behavior, networks facilitate the supportive behavior of ties and individuals. For example, parents and children are more supportive in networks with high percentages of parents and children. Individual agency, dyadic duets, and networkproperties all make network capital available for social support. Acknowledgments We are grateful to earlier collaborators in East York personal community research for the foundation laid for this study, to the Rockefeller Foundation for providing Wellman with a month's stay to complete this work at the magnificent Bellagio (Italy) Center for Study and Conferences, and to the University ofToronto's Centre for Urban and Community Studies for its thirty years of being an eminently supportive research base. The contributions of Milena Gulia, Catherine Kaukinen, Stephanie Potter and Scot Wortley have been especially important for our work here, as have been the comments of Dean Behrens, Bonnie Erickson, Vicente Espinoza, Nan Lin, Uwe Matzat, Pamela Popielarz, Ray Reagans, Fleur Thomrse, Charles Tilly, Beverly Wellman, and the members of the "Sooner" electronic mail discussion list. Earlier versions of this paper were presented to the Duke University Social Networks and Social Capital Conference (1998), the American Sociological Association (1999, 2000) and the International Sunbelt Social Network Conference (1999, 2000). Our research has been supported by grants to Barry Wellman from the Bell Canada Univers...
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».