IT for KM in the management consulting industry
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
Purpose The purpose of the paper is to examine the underlying components of information technology (IT) that support different models of knowledge management (KM). Design/methodology/approach This empirical study is conducted in the management consulting industry to examine the important link between IT and KM. Based on previous research, four knowledge models were developed for the management consulting industry based on the knowledge type and service type. Data collected through a survey from 115 management consulting firms in the USA and Canada were analyzed. Findings Regardless of the type of KM model utilized, the most widely used IT by management consulting firms was the internet‐related technology (e‐mail, internet, and search engine). The second important IT component was data management technology (document management, data warehousing, data mining, knowledge repositories, and database management). The third important IT was collaborating technology (videoconferencing, workflow management, groupware, group decision support systems, and knowledge maps). The least important IT was artificial intelligence (expert systems, case‐based reasoning systems, intelligent agent, and neural network). Originality/value This paper develops a new topology of KM models based on the knowledge type (exploitive and explorative) and service type (standardized and customized). Thus, four KM models are developed: reuser (exploitive/standardized); stabilizer (exploitive/customized); explorer (explorative/standardized); and innovator (explorative/customized). While IT has been widely accepted as an enabler for KM, its application for a different focus of KM has not been explored.
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 | 0,004 | 0,000 |
| 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 | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 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 découle