MétaCan
Menu
Retour à la cohorte
Enregistrement W1484114727 · doi:10.17705/1cais.01423

Developments in Practice XIV: Marketing KM to the Organization

2004· article· en· W1484114727 sur OpenAlexaff
Heather A. Smith, James D. McKeen

Notice bibliographique

RevueCommunications of the Association for Information Systems · 2004
Typearticle
Langueen
DomaineBusiness, Management and Accounting
ThématiqueInformation Systems and Technology Applications
Établissements canadiensQueen's University
Organismes subventionnairesnon disponible
Mots-clésCredibilityOrder (exchange)MarketingHierarchyBusinessProduct (mathematics)Public relationsKnowledge managementPolitical scienceComputer science

Résumé

récupéré en direct d'OpenAlex

KM is experiencing the steep downward slope of the "hype cycle" and some organizations are rushing to abandon KM as quickly as they rushed to adopt it. Unfortunately, much of our understanding of what KM can do for organizations is still limited to academic treatises and small pilot studies. Managers therefore realize they must market KM more effectively in order to communicate its potential and build a coalition of support while KM matures and evolves. To explore this issue, the authors convened a focus group of practicing knowledge managers. After examining how KM groups currently market themselves, this paper constructs a framework for marketing KM in an organization that integrates the experiences of KM managers with basic marketing principles. It concludes that KM faces many marketing challenges, including lack of understanding of the need, lack of brand awareness, and a negative brand attitude. It recommends that knowledge managers must see themselves as internal entrepreneurs, first building a market for their product and then developing an effective marketing strategy. It also suggests there is a hierarchy of knowledge needs in organizations that must be addressed sequentially in order to develop trust and credibility among general business managers.

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 machine sur la base complète

Imitation des enseignants

Ni prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.

score de la tête « metaresearch » (Codex)0,003
score de la tête « metaresearch » (Gemma)0,004
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Sans objet · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: aucune
Score de désaccord entre enseignants0,016
Score d'incertitude au seuil0,054

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0030,004
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0010,001
Études des sciences et des technologies0,0040,008
Communication savante0,0150,010
Science ouverte0,0010,004
Intégrité de la recherche0,0030,004
Charge utile insuffisante (le modèle a refusé de juger)0,0160,003

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.

Tête enseignante Opus0,012
Tête enseignante GPT0,238
Écart entre enseignants0,226 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeSans objet
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations16
Publié2004
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueCommunications of the Association for Information SystemsMême sujetInformation Systems and Technology ApplicationsTravaux en français237 207