Developments in Practice XXII: Expertise Location and Management: Hope or Hype?
Notice bibliographique
Résumé
The idea that KM can help people in large, often widely geographically dispersed organizations find out who has subject matter expertise or who knows how and where to get at important know-how is intrinsically appealing to knowledge managers. After all, helping people access the knowledge they need is fundamentally what KM is all about. Early approaches to expertise location and management (ELM) typically built skills repositories, but these have not been successful in accomplishing these objectives. As a result, expertise location and management is now on the steep downward slope of the KM "hype cycle" in most organizations. This paper explores the question of whether ELM is an idea that is evolving and maturing and which will ultimately deliver on its promised value, or whether organizations should simply give up on the idea as being not worth the effort. To explore this issue in more detail and to better understand how organizations are conceptualizing and implementing this specific KM initiative, the authors convened a focus group of practicing KM managers from a variety of organizations. This paper first situates the topic of expertise location -- where it fits in with other KM issues and also how our understanding of this topic has evolved over time. It next describes some of the benefits and challenges of ELM. Following this, it explores several different approaches to these types of initiatives. From these, we derive a number of principles for effective ELM implementations. Finally, we present some practical advice for managers who are considering using ELM in their organizations. The paper concludes that ELM has the potential to be a "killer app" for KM, but only if it can be focused and designed effectively to appropriately integrate technology with human facilitation.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,002 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».