Transcending Knowledge Differences in Cross-Functional Teams
Notice bibliographique
Résumé
Knowledge differences impede the work of cross-functional teams by making knowledge integration difficult, especially when the teams are faced with novelty. One approach in the literature for overcoming these difficulties, which we refer to as the traverse approach, is for team members to identify, elaborate, and then explicitly confront the differences and dependencies across the knowledge boundaries. This approach emphasizes deep dialogue and requires significant resources and time. In an exploratory in-depth longitudinal study of three quite different cross-functional teams, we found that the teams were able to cogenerate a solution without needing to identify, elaborate, and confront differences and dependencies between the specialty areas. Our analysis of the extensive team data collected over time surfaced practices that minimized members' differences during the problem-solving process. We suggest that these practices helped the team to transcend knowledge differences rather than traverse them. Characteristic of these practices is that they avoided interpersonal conflict, fostered the rapid cocreation of intermediate scaffolds, encouraged continued creative engagement and flexibility to repeatedly modify solution ideas, and fostered personal responsibility for translating personal knowledge to collective knowledge. The contrast between these two approaches to knowledge integration—traverse versus transcend—suggests the need for more nuanced theorizing about the use of boundary objects, the nature of dialogue, and the role of organizational embeddedness in understanding how knowledge differences are integrated.
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 | 0,018 | 0,064 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,003 | 0,002 |
| Études des sciences et des technologies | 0,004 | 0,010 |
| Communication savante | 0,007 | 0,012 |
| Science ouverte | 0,001 | 0,015 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 ».