Bibliographic record
Abstract
I denne avhandlingen har jeg sett nærmere på budsjettet i inkassobransjen i Norge. Jeg har lagt hovedfokuset på budsjettet, men har også inkludert å se på alternative verktøy som prognoser og balansert målstyring. Målet med avhandlingen er å besvare følgende problemstilling:\n«På hvilken måte er budsjettet et egnet styringsverktøy i inkassobransjen.»\n\nFor å forske på problemstillingen tar jeg utgangspunkt i litteratur hvor en ser på budsjettets ulike formål og hvilke roller dette verktøyet kan inneha. Sammenheng med dette er det sett på balansert målstyring og prognoser og hvordan dette kan nyttiggjøre seg i et overordnet styringssystem. Det er i avhandlingen benyttet en kvalitativ metode hvor jeg har gjennomført seks semistrukturerte intervjuer med seks ulike personer fra seks forskjellige virksomheter i denne bransjen.\n\nDet fremkommer fra studien at bransjen har et tradisjonelt syn på den overordnede styringspraksisen, men at de alternative verktøy ses på som nyttige supplementer for budsjettet. Budsjettet er lagt til grunn for å være en målbærer i bransjen i motsetning til å inneha en prognoserolle. Det viser seg at det er potensial for å benytte de alternative verktøyene i større grad, samtidig som man er nødt til å ta hensyn til ulike utfordringer som møtes i bransjen. En større utbredelse av prognosen kan være hensiktsmessig på inntektssiden for virksomhetene, mens de budsjetterte kostnadene treffer som regel bra. Totalt sett kunne det vært en gunstig løsning å innføre kvartalsvise budsjetter for bransjen ettersom det kan være større krav til dynamikk i styringen fremover.
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 | 0.004 | 0.007 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.001 | 0.002 |
| Science and technology studies | 0.004 | 0.002 |
| Scholarly communication | 0.010 | 0.005 |
| Open science | 0.002 | 0.006 |
| Research integrity | 0.003 | 0.004 |
| Insufficient payload (model declined to judge) | 0.089 | 0.033 |
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".