Negative aspects of counter-knowledge on absorptive capacity and human capital
Notice bibliographique
Résumé
Purpose – People live and work in a world where they do not have complete knowledge and, as a result, they make use of rumours, beliefs and assumptions about relevant areas of concern. The term counter-knowledge has been used to refer to knowledge created from unverified sources. The purpose of this paper is to examine the relationship between counter-knowledge and human capital (HC) as well as investigating interactions between absorptive capacity (ACAP) and HC. Design/methodology/approach – A model is tested to examine the relationship between counter-knowledge, HC and the financial performance of 112 companies listed on the Spanish Stock Exchange. Findings – The results are calculated using structural equation modelling. This leads to the main conclusion that while the increasing presence of counter-knowledge leads to a reduction of ACAP and, by extension with HC. However, in the context of the sample, HC has positive effects on firms’ performance. Therefore, consideration must be given to the evaluation of the real cost of counter-knowledge or inappropriate assumptions on HC. Practical implications – The key managerial implication of this paper is that management should actively develop an organizational culture which questions the source of any knowledge and favours evidence-based reasoning over reasoning based on “gut instinct”, what has worked in the past and reasoning based on rumours and gossip. Originality/value – This paper provides empirical support for the argument that the all so-called “knowledge” generated from the sharing of unverified news is not necessarily good knowledge. Rumours or gossip shared thanks to unverified sources are some examples that illustrate people possibility to create inappropriate or false beliefs via unsupported explanations and justifications.
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 enseignantsNi 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.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,004 | 0,026 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,004 |
| Communication savante | 0,003 | 0,002 |
| Science ouverte | 0,001 | 0,003 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,006 | 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 source (Gemma direct ou Codex distillé), 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 ».