30、组织内部沟通:员工参与和品牌塑造的研究

组织内部沟通:员工参与和品牌塑造的研究

1. 研究方法
  • 饱和度分析 :在定性研究理论中,饱和度概念至关重要。当收集的数据能够构建出全面且连贯的理论,且不再有新证据出现时,便达到了饱和度。多数数据集在 9 - 17 次访谈间达到饱和,平均为 12 - 13 次访谈。本次研究采用新方法评估饱和度,基础样本量为 4 - 6 次访谈。新信息阈值设定为 ≤5% 新信息或 0% 新信息。经计算,饱和度比率为 2.38%,低于阈值,在第 8 次访谈(I08)时达到饱和度。不过,为捕捉后期可能出现的新主题,研究仍继续进行访谈,并从其他国家获取更多数据。
  • 数据丰富度与体量 :研究要求数据丰富、详细且体量充足。收集的材料丰富且极为详细,当受访者间达成高度共识时,认为样本数量足以满足研究目标。
  • 数据收集 :半结构化访谈聚焦两个核心主题:内部沟通促进员工参与,员工参与塑造员工品牌。访谈指南包含宽泛的开放性问题,让受访者自由表达。指南先在首批访谈成员中测试,再根据反馈调整。受访者可选择英语或母语进行访谈。2022 年 1 月底完成受访者选择,3 月结束访谈数据收集,通过 Teams 平台或面对面进行。访谈平均时长 133 分钟,在私密或线上环境进行,确保受访者畅所欲言。受访者签署知情同意书,所有访谈均录音、转录,主要引述由研究人员翻译成英文。
  • 数据分析 :使用 NVivo 12 对转录文本进行主题内容分析。分析前,作者多次仔细审查访谈材料,并做笔记辅助分析。分析分三步进行:
【电能质量扰动】基于MLDWT的电能质量扰动分类方法研究(Matlab实现)内容概要:本文研究了一种基于机器学习(ML)离散小波变换(DWT)的电能质量扰动分类方法,并提供了Matlab实现方案。首先利用DWT对电能质量信号进行多尺度分解,提取信号的时频域特征,有效捕捉电压暂降、暂升、中断、谐波、闪变等常见扰动的关键信息;随后结合机器学习分类器(如SVM、BP神经网络等)对提取的特征进行训练与分类,实现对不同类型扰动的自动识别与准确区分。该方法充分发挥DWT在信号去噪与特征提取方面的优势,结合ML强大的模式识别能力,提升了分类精度与鲁棒性,具有较强的实用价值。; 适合人群:电气工程、自动化、电力系统及其自动化等相关专业的研究生、科研人员及从事电能质量监测与分析的工程技术人员;具备一定的信号处理基础Matlab编程能力者更佳。; 使用场景及目标:①应用于智能电网中的电能质量在线监测系统,实现扰动类型的自动识别;②作为高校或科研机构在信号处理、模式识别、电力系统分析等课程的教学案例或科研实验平台;③目标是提高电能质量扰动分类的准确性与效率,为后续的电能治理与设备保护提供决策依据。; 阅读建议:建议读者结合Matlab代码深入理解DWT的实现过程与特征提取步骤,重点关注小波基选择、分解层数设定及特征向量构造对分类性能的影响,并尝试对比不同机器学习模型的分类效果,以全面掌握该方法的核心技术要点。
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值