Knowledge management handbook : collaboration and social networking
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Collaboration and Social Networking: The Keys to Knowledge Management-Introductory Thoughts Jay Liebowitz Knowledge and Collaboration in Multihub Networks: Orchestration Processes among Clinical Commissioning Groups (CCGs) in the United Kingdom Celine Miani, Markos Zachariadis, Eivor Oborn, and Michael Barrett Religious Communities of Practice and Knowledge Management-The Potential for Cross-Domain Learning Denise A.D. Bedford Cross-Cultural Technology-Mediated Collaboration: Case Study of Oxfam Quebec and Peru Kimiz Dalkir Enabling Knowledge Exchange to Improve Health Outcomes through a Multipartner Global Health Program Theresa C. Norton Emperor: A Method for Collaborative Experience Management Ulrike Becker-Kornstaedt and Forrest Shull Real-Time Knowledge Management: Providing the Knowledge Just-In-Time Moria Levy Building Vertical and Horizontal Networks to Support Organizational Business Maureen Hammer and Katherine Clark Social Network Analysis: A Pharmaceutical Sales and Marketing Application Molly Jackson, Doug Wise, and Myra Norton Collaborating Using Social Networking at Price Modern Gloria Phillips-Wren and Louise Humphreys Visual Knowledge Networks Analytics Florian Windhager, Michael Smuc, Lukas Zenk, Paolo Federico, Jurgen Pfeffer, Wolfgang Aigner, and Silvia Miksch A Framework for Fostering Multidisciplinary Research Collaboration and Scientific Networking within University Environs Francisco J. Cantu and Hector G. Ceballos Knowledge Management and Collaboration: Big Budget Results in a Low Budget World Andrew Campbell and Melvin Brown II TATA Chemicals-Knowledge Management Case Study B. Sudhakar and Devsen Kruthiventi Knowledge-Enabled High-Performing Teams of Leaders Bradley Hilton and Michael Prevou
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.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| 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 | 0,001 |
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 découle