Enterprise 2.0 Technologies for Knowledge Management: Exploring Cultural, Organizational & Technological Factors
Notice bibliographique
Résumé
This paper reports findings from a recent empirical study conducted to explore sociological and technological factors that affect the use of enterprise 2.0 (E2.0) technologies for knowledge management (KM). To help organizations adopt and institutionalize effective KM strategies, this study aims to highlight the effects of national and organizational cultural differences among operating environments of different firms, and to identify how these differences translate into varying knowledge management behaviors and use of E2.0 technologies for KM in firms.The study utilized a quantitative empirical research design to collect and analyze quantitative data from employees of various organizations in different countries and industries. A web-based survey data was collected from various countries including Canada, USA, and Saudi Arabia. Exploratory factor analysis and structural equation modeling techniques were used to estimate a structural model among factors impacting the use of E2.0 technologies for KM.The key findings from this study validate the role of technology perceptions including ease of use, usefulness, media richness and technology sophistication in improving the use of enterprise 2.0 technologies in the workplace. Furthermore, the use of these technologies was shown to have a positive effect on the knowledge management environment of the organization. In terms of cultural differences, the knowledge management environment of firms was shown to be affected by long-term orientation of the national culture. This study offers recommendations for companies operating in global cultural contexts on how to approach KM strategies differently according to national culture and organizational environments of firms.
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 | 0,001 |
| 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 | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 ».