Measuring information-sharing behavior : the case of supply chains in operational contexts
Bibliographic record
Abstract
Le but de cette étude est d’explorer les fondements théoriques pour conceptualiser le comportement du partage d’information et pour développer un index composé ou une échelle globale afin de mesurer le niveau complet du partage d’information dans le contexte de chaînes d’approvisionnement. En pratique, le partage d’information entre les membres d’une chaîne d’approvisionnement est crucial afin d’augmenter la compétitivité et la performance des entreprises individuelles et de la chaîne entière. Néanmoins, le partage d’information rendu possible par les réseaux informatiques dans les entreprises canadiennes en ·est toujours à ses balbutiements, et il n’y a aucune méthode applicable pour évaluer les efforts des entreprises pour améliorer le niveau du partage d’information dans les chaînes d’approvisionnemeont. Spécifiquement, l’étude examine les deux questions de recherche suivantes: Quelles sont les caractéristiques de base du comportement du partage d’information? Comment peut être mesuré le niveau général du partage d’information opérationnel entre les petites et les moyennes entreprises canadiennes dans les chaînes d’approvisionnement? Trois caractéristiques majeures du comportement du partage d’information sont identifiées dans l’étude: il doit y avait un avantage mutuel, un mélange d’actions collaboratives et compétitives, et une relation de dépendance. Une définition théorique de comportement du partage d’information est proposée: Le comportement du partage d’information est un type de comportement informationnel dans lequel deux groupes d’acteurs sont reliés par un certain type de relations de transfert des informations par des actions collectives afin de réaliser des intérêts individuels ou communs. En outre, une structure analytique d’ensemble du comportement de partage d’information est développée. La structure analytique, qui comprend des facteurs majeurs dans l’
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 distilled prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. Learned from the 10,348 direct Codex labels and 10,348 direct Gemma labels. Candidate is the union of thresholded teacher heads; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels or direct frontier model labels.
Codex and Gemma teacher scores by category
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.001 | 0.000 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.000 | 0.000 |
| Science and technology studies | 0.000 | 0.000 |
| Scholarly communication | 0.001 | 0.003 |
| Open science | 0.000 | 0.000 |
| Research integrity | 0.000 | 0.000 |
| Insufficient payload (model declined to judge) | 0.001 | 0.000 |
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 teacher head, 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".