MétaCan
Menu
Retour à la cohorte
Enregistrement W2035533547 · doi:10.1108/10878571011029046

Design thinking: achieving insights via the “knowledge funnel”

2010· article· en· W2035533547 sur OpenAlexaff
Roger Martin

Notice bibliographique

RevueStrategy and Leadership · 2010
Typearticle
Langueen
DomaineBusiness, Management and Accounting
ThématiqueCompetitive and Knowledge Intelligence
Établissements canadiensUniversity of Toronto
Organismes subventionnairesnon disponible
Mots-clésOriginalityFunnelValue (mathematics)Computer scienceBalance (ability)EpistemologyCertaintyAntecedent (behavioral psychology)HeuristicKnowledge managementManagement scienceArtificial intelligencePsychologyEconomicsEngineeringSocial psychologyCreativity

Résumé

récupéré en direct d'OpenAlex

Purpose The purpose of this paper is to explain how, in the future, the most successful business innovation efforts will balance analytical mastery and intuitive originality in a dynamic interplay that the author calls “design thinking.”” Design/methodology/approach As a useful way to think about how to do this the paper takes the reader step‐by‐step through the “knowledge funnel” concept. Findings Design thinking empowers the design of business, the directed movement of a business through the knowledge funnel – from mystery to heuristic to algorithm – and then the utilization of the resulting efficiency to tackle the next mystery and the next and the next. Practical implications The apaper suggests that the velocity of movement through the knowledge funnel, powered by design thinking, is the most powerful formula for competitive advantage in the twenty‐first century. Originality/value The paper has a radical thesis: to advance knowledge, we must turn away from our standard definitions of proof – and from the false certainty of the past – and instead stare into the mystery of what could be.

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)0,052
score de la tête « metaresearch » (Gemma)0,055
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Théorique ou conceptuel · Signal consensuel: Théorique ou conceptuel
GenreSignal candidat: Empirique · Signal consensuel: aucune
Score de désaccord entre enseignants0,052
Score d'incertitude au seuil0,277

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0520,055
Méta-épidémiologie (sens strict)0,0010,001
Méta-épidémiologie (sens large)0,0010,002
Bibliométrie0,0050,002
Études des sciences et des technologies0,0050,048
Communication savante0,0190,028
Science ouverte0,0030,011
Intégrité de la recherche0,0040,005
Charge utile insuffisante (le modèle a refusé de juger)0,0070,001

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.

Tête enseignante Opus0,135
Tête enseignante GPT0,267
Écart entre enseignants0,132 · 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'étudeThéorique ou conceptuel
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

Citations117
Publié2010
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueStrategy and LeadershipMême sujetCompetitive and Knowledge IntelligenceTravaux en français237 207