Kierunki rozwoju badań nad koncepcją Lean management (Lean Higher Education) w szkołach wyższych
Bibliographic record
Abstract
Od ponad 30 lat Lean Higher Education (LHE) jest wykorzystywany do doskonalenia zarządzania uczelniami (Maciąg 2016). Jak pokazują badania LHE wpływa na podniesienie jakości usług, redukcję marnotrawstwa, lepsze wykorzystanie zasobów, poprawę komunikacji, wzrost poczucia odpowiedzialności, zmniejszenie ryzyka, wzrost transparentność procesów i systemów zarządzania, poprawę satysfakcji pracowników i bezpieczeństwa pracy (Radnor, Bucci 2011; Balzer, 2010; Emiliani, 2015; Antony, 2014; Hines, Lethbridge, 2008; Balzer et al. 2016 Cudney et al. 2020, Maciąg et al. 2021). Wskazuje się również na zmiany w obszarze kultury organizacyjnej i kultury pracy (Maciąg 2019, Maciąg et al 2022) oraz przywództwa (Balzer et al. 2015, Lu et al. 2017, Maciąg 2021, Maciąg 2022). Pomimo wzrastającej ilości publikacji, nadal istnieją istotne luki poznawcze, metodologiczne oraz aplikacyjne w badaniach nad LHE. Brakuje wiedzy o tym jak jeszcze lepiej i pełniej wykorzystać potencjał Lean management do realizacji misji i strategii uczelni, również w aspekcie zrównoważonego rozwoju, jak kształtować kulturę nieustannego doskonalenia w uczelni, i jak mierzyć zmiany? Celem opracowania jest wskazanie kluczowych kierunków i tematów badań nad wykorzystaniem Lean management do doskonalenia uczelni. W opracowaniu oparto się na wynikach analizy literatura przedmiotu oraz wynikach badań własnych autorki.
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 | 0.000 | 0.000 |
| Meta-epidemiology (narrow) | 0.002 | 0.003 |
| Meta-epidemiology (broad) | 0.002 | 0.001 |
| Bibliometrics | 0.004 | 0.002 |
| Science and technology studies | 0.003 | 0.001 |
| Scholarly communication | 0.001 | 0.001 |
| Open science | 0.003 | 0.001 |
| Research integrity | 0.002 | 0.003 |
| Insufficient payload (model declined to judge) | 0.001 | 0.003 |
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; both teacher heads agree on what is shown here.
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".