ENTELEKTÜEL SERMAYE BİRİKİMİNDE İNSAN KAYNAKLARI YÖNETİMİ POLİTİKALARI: SÜLEYMAN DEMİREL ÜNİVERSİTESİ ÖRNEĞİ
Bibliographic record
Abstract
Günümüz dünyasında özellikle özel sektör için örgütlerin rekabette sahip olduğu maddi olmayan soyut değerlerinin bütünü olan entelektüel sermayenin önemi giderek artmaktadır.Örgütlerin sahip olduğu bilgi, deneyim, teknolojik altyapı, müĢteri iliĢkileri, insan sermayesinin birikimi vb.değerleri ifade eden entelektüel sermaye; örgütlerin doğru yönetilmesini sağlayan etkenlerdendir.Bir diğer taraftan da rakipleri karĢısında örgütün gerçek değerinin ortaya çıkmasına ve örgütün sürdürülebilir bir yapıya sahip olmasını sağlamaktadır.Özel sektör için ileri sürülen birçok benzeri çıkarımlar, kamu kurum ve kuruluĢları için de öne sürebilir.Yapılan çalıĢma ile 1992 yılında kurulan Süleyman Demirel üniversitesinin 25 yıllık süre içinde sahip olduğu entelektüel sermayeye yönelik algılar nitel analiz yoluyla genel olarak ortaya konulmuĢtur.Bunun için özellikle bahse konu olan dönemde akademik ve idari olarak üst yönetim düzeyinde görev almıĢ kiĢiler örneklem olarak seçilmiĢtir.ÇalıĢmada betimsel nitel analizi yöntemi kullanılmıĢtır.25 yıl müddetince üniversitede görev alan yahut yakın zamanda emekli olmuĢ olan akademisyenler ve idari personel ile yüz yüze görüĢmeler gerçekleĢtirilmiĢtir. Ardından 25 yıllık süre içerisinde izlenen insan kaynakları politikasının, entelektüel sermayeye olan katkısı dönemsel olarak değerlendirilmiĢtir.Değerlendirme Son rektör hariç 25 yılda, toplam altı döneme tekabül eden, dört rektör dönemi kapsamında değerlendirilmiĢtir.Sonuç olarak insan kaynakları yönetimine yönelik izlenen politikalar ile entelektüel sermaye arasında bir iliĢki bulunmuĢtur.Ġnsan Kaynaklarına Yönetimi planlamasında izlenecek doğru politikaların uzun vadede örgütün entelektüel sermayesine önemli katkıları olduğu sonucuna ulaĢılmıĢtır.
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 | 0.001 | 0.001 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.003 | 0.001 |
| Scholarly communication | 0.003 | 0.001 |
| Open science | 0.000 | 0.002 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.016 | 0.002 |
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".