Exactitude des coefficients de pondération de multiples indicateurs avancés de rendement : incidence sur le rendement et les connaissances des gestionnaires
Bibliographic record
Abstract
De nombreuses sociétés qui utilisent de multiples indicateurs avancés de rendement ne valident pas le modèle causal qui relie ces indicateurs aux résultats financiers futurs, et les relations de cause à effet du modèle sont souvent abandonnées aux estimations subjectives qui peuvent être sujettes à l’erreur. En procédant à une expérience, l’auteure examine comment l’exactitude des hypothèses au sujet de la pondération des indicateurs avancés dans un modèle causal influe sur le rendement et les connaissances des gestionnaires, lorsque lesdits gestionnaires se voient offrir la possibilité d’apprendre au fil de plusieurs périodes. Les résultats obtenus montrent que le fait que des coefficients de pondération inexacts soient affectés aux indicateurs avancés améliore le rendement, réduit la fluctuation du rendement et enrichit les connaissances, comparativement à l’absence de coefficients de pondération. En outre, le rendement est semblable, peu importe que les coefficients de pondération soient exacts ou inexacts, alors que les connaissances sont meilleures lorsque les coefficients de pondération sont inexacts que lorsqu’ils sont exacts, ce qui ne confirme en rien les effets de polarisation des coefficients de pondération inexacts. Les observations résultant de l’étude semblent indiquer qu’à tout le moins dans certaines circonstances, les gestionnaires tirent avantage des coefficients de pondération affectés aux indicateurs avancés, même lorsqu’ils sont inexacts, et sont en mesure de corriger ces inexactitudes pour parvenir à un niveau comparable de rendement et de connaissances, comme s’ils avaient disposé de coefficients de pondération exacts.
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame machine prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. The Gemma side is a direct model label for every work in the frame, read from the title-only record. The Codex side is a classifier learned from the 10,348 direct Codex labels and calibrated to design-weighted sample rates; fields without enough sample support carry no Codex call. Candidate is the union of the two sides; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels.
Distilled classifier scores by category (both heads)
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.011 | 0.059 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.003 |
| Bibliometrics | 0.002 | 0.003 |
| Science and technology studies | 0.001 | 0.001 |
| Scholarly communication | 0.002 | 0.002 |
| Open science | 0.001 | 0.002 |
| Research integrity | 0.001 | 0.002 |
| Insufficient payload (model declined to judge) | 0.013 | 0.001 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; a candidate call from one source (direct Gemma or distilled Codex), not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".