Preparing community members to enact specific roles in emergency situations : a research agenda
Notice bibliographique
Résumé
The model presented in figure 1 - the collaboration ontology roles game model (CORG) , is an adaptation of the SECI model proposed by Nonaka and Takeuchi in 1995. According to the authors, the process of knowledge creation is an iterative process which continuously cuts four modes of knowledge conversion: socialization (a meeting to share experiences), externalization (a map to formalize a new process), combination (of explicit knowledge in the real setting) and integration (or learning by doing) that is the ultimate goal for each individual willing to be prepared to face an emergency situation. The process of knowledge creation is described in detail by Nonaka and Takeuchi (1995) by considering the following steps: 1. Sharing tacit knowledge, 2. Creating concepts, 3. Justifying concepts, 4. Building an archetype and 5. Cross-levelling knowledge in the interorganizational network and its environment. Emergency situations – we are interested in this poster in a possible avian flu alert in Quebec – require collaboration between members of different organizations, agencies and communities (Daniels, 2007; Carver and Turoff, 2007). Recently, a new body of literature has emphasized the learning capacity of the adhocracy compared to automated responses from the hierarchy (Medonca et al. 2007). In this poster, we present our vision to develop a role-based simulation environment for the health care community and their partners to manage, on a collaborative basis, an extreme event such as avian flu.
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 | 0,020 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,002 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,003 |
| 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 ».