Creativity and Innovation in SPI: an Exploratory Paper on their Measurement?
Notice bibliographique
Résumé
Abstract In recent years, some software organizations have been successful at improving their maturity level, thanks to the successful application of methods and techniques which help them to achieve betterprocesses actually covered by such people models?performance and more consistent production processes. Models such as the Sw-CMM (and its evolutions and derived models) have provided roadmaps to process improvements. Creativity and innovation have been placed at Level 5 of the CMMI and the -CMM respectively. AP suggestion is made in this paper to consider creativity and innovation management earlier on in such SPI models. Also in this paper, we propose, in an exploratory way, a method for mapping, tracing and measuring creativity, based on two entities: the CA matrix and the Creativity Indices. 1. Introduction People cannot be managed as a second-level asset, as strongly emphasized in quality models like the Malcolm Baldridge Model [21] and the EFQM [9]. The Malcolm Baldridge National Quality Award 2001 criteria, for example, take into account 375 points of 1000 (37.5%), split among Enabler processes (Human Resources Focus: 85 points and Customer and Market Focus: 85 points) and related Results (respectively, 125 points plus another 80 points). For its part, the EFQM Excellence Model, with 1999 weight criteria, takes into account 18% of the total number of points, the People Enabler being responsible for 9% and the related results for another 9%. Similarly, the Balanced IT Scorecard (BITS) designed by the European Software Institute [15][26][27] and the AIS BSc [10] have both added a fifth perspective,
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 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| 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 ».