Bibliographic record
Abstract
Každý jedinec je součástí nějaké skupiny a to ovlivňuje také jeho sociální charakter. Skupina je pro jedince přitažlivá v takové míře, v jaké uspokojuje jeho potřeby. Podle míry uspokojování potřeb ve skupině se dostává jedinci také odměna a skupina se stává pro jedince nepostradatelnou. Ve skupině se formují určité vztahy a mění se potřeby jedince. Protože prožije jedinec velkou část svého života v práci, jsou pro něj vztahy v pracovním kolektivu velmi důležité. Každá pracovní skupina podává výkony podle toho, jak jsou nastaveny vztahy jejích členů. Vysoké výkony pracovních skupin jsou podstatné pro společnost, která jedince zaměstnává, protože ta se snaží o co největší prosperitu podniku. Při výběrovém řízení se společnost snaží získat pracovníka, který se rychle zařadí do pracovního kolektivu. Pro postihnutí vlastností pracovníka se využívá nejrůznějších metod výběrového řízení. Ve 21. století se začíná čím dál více používat nejrůznějšího druhu testování pro výběr kvalitního pracovníka. Využití psychologických testů v praxi přináší nejen možnost provést podrobnou analýzu osobnosti člověka, ale také jeho shodu s pracovním kolektivem.
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 | 0.003 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.001 | 0.000 |
| Scholarly communication | 0.002 | 0.001 |
| Open science | 0.000 | 0.001 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.012 | 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; 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".